通过将两个线性模型与一些方程, 权重, 偏差和S形函数相结合, 我们发现了一个非线性模型。让我们开始更好的说明, 并了解神经网络和深度神经网络的体系结构。
让我们看一个例子, 以更好地理解和说明。
假设有一个线性模型, 其线表示为-4×1-x2 + 12。我们可以用以下感知器来表示它。
输入层中的权重为-4, -1和12代表线性模型中的方程式, 输入传递到该方程式中以获得其在正区域中的概率。再取一个模型, 其线表示为-
x1-x2 + 3。因此, 我们可以通过其表示的预期感知器如下:
现在, 我们要做的是, 通过将这两个感知器与一组权重相乘并加上偏差, 将这两个感知器组合起来以获得非线性感知器或模型。之后, 我们使用S形曲线获得曲线, 如下所示:
在前面的示例中, 假设我们有两个输入x1和x2。这些输入代表坐标(2, 2)上的单个点, 我们想要获得该点位于正区域和非线性模型中的概率。这些坐标(2, 2)传递到由两个线性模型组成的第一输入层。
在第一个线性模型中处理两个输入, 通过基于模型的权重和偏差将输入作为线性组合, 然后采用S形, 获得点在概率为0.88的点, 从而得出该点在正区域中的概率。 。
以同样的方式, 我们将在第二个模型中发现该点的概率在正区域中, 并且发现了点0.64的概率。
当我们将两个模型结合在一起时, 我们将概率加在一起。我们将对权重1.5、1和偏差值0.5进行线性组合。我们将第一个模型与第一个权重相乘, 将第二个模型与第二个权重相乘, 然后将所有内容与偏差相加以获得分数, 因为我们将采用两个模型的线性组合的S形来获得新模型。我们将对点执行相同的操作, 将其转换为处于正区域和非线性模型中的概率为0.92。
这是深度神经网络的前馈过程。为了提高效率, 我们可以重新排列该神经网络的表示法。不是将我们的点表示为两个不同的x1和x2输入节点, 而是将其表示为x1和x2节点的一对
这说明了神经网络的独特架构。因此, 存在一个包含输入的输入层, 第二层是线性模型的集合, 最后一层是输出层, 它是我们两个线性模型的组合得出的非线性模型。
深度神经网络
我们将使用模型和隐藏层将它们组合起来, 并创建最能对数据进行分类的非线性模型。有时我们的数据太复杂, 无法分类, 我们将不得不组合非线性模型以创建更多非线性模型。
我们可以使用更多隐藏层进行多次操作, 并获得高度复杂的模型
对此类数据进行分类更为复杂。它需要许多隐藏的模型层彼此结合, 并具有一定的权重集, 以获得可以完美地对这些数据进行分类的模型。
之后, 我们可以通过前馈操作产生一些输出。在产生输出之前, 输入必须经过神经网络的整个深度。它只是一个多层感知器。在深层神经网络中, 我们的数据趋势不是直截了当的, 因此, 这种非线性边界只是一个正确分类非常复杂的数据集的准确模型。
要获得此非线性边界, 需要许多隐藏层, 并且每一层都包含模型, 这些模型相互组合以产生此非常复杂的边界, 从而对我们的数据进行分类。
可以使用更复杂的功能训练深度神经网络, 以对更复杂的数据进行分类。
来源:
https://www.srcmini02.com/31479.html