机器学习基础 之 神经网络

版权声明：转载需注明出处 https://blog.csdn.net/suoxd123/article/details/88900148

转自： https://www.zhenxiangsimple.com/2019/03/29/tech-ml-sjwl/

---

  不论神经网络的模型是否真的跟生物自身的神经网络相似，也不是特别重要，可以不用太关心，能大概理解它的一个构造思想即可。通常大家不会具体到要去通过代码实现神经网络模型，所以不必太在意其数学公式和具体计算，只需要关心其大概原理，本文就说说相关的一些概念。

M-P神经元模型

  基本原理就是将输入样本数据，通过赋予不同权值后，将各项输入值求和得到输出值，通过数学公式简单表示如下，其中 $w_{ij}$为神经元 $x_i$和 $y_j$之间的权重。
$y_j=\sum_{i=1}^{k}(x_i\times w_{ij})$

感知机

  感知机或者叫感知器是只有单层功能神经元的模型，是最简单的一种神经网络模型，相当于从输入直接到输出，没有中间隐含层神经元。

BP网络

  英文全称是error Back Propagation，中文意思是误差逆传播，其实顾名思义就是有信息可以从输出传递到输入端，而之前简单的感知机是只有输入到输出的计算。核心包含两部分，一部分是从输入到输出对误差的计算，另一部分从输出到输入对神经元之间权重和自身阈值的迭代，其算法流程如下：

---

输入：训练集 $D={(x_k,y_k)}_{k=1}^m$， 学习率： $\eta$
过程：

1. 在(0,1)范围内随机初始化网络中所有连接权和阈值
2. repeat
3.   for all $(x_k,y_k)\in D$ do
4.     根据当前参数，计算当前样本输出 $y_k$
5.     计算输出层神经元的梯度项 $g_j$
6.     计算隐层神经元的梯度项 $e_h$
7.     更新连接权 $w_{hj},v_{ih}$和阈值 $\theta_j，\gamma_h$
8.   end for
9. until 达到停止条件

输出：连接权与阈值确定的多层前馈神经网络

---

全局最小

  对于常规的神经网络模型是使用梯度下降算法进行迭代，但梯度下降可能就会导致达到局部最小值，就好像爬山时候在有多个山头的山脉里，第一次只是先爬到了一个矮的山丘，有一些策略可以跳出局部最优达到全局最优，如下：

1. 使用多组不同的起始参数值
2. 一定比例上接受次优解（模拟退火算法）
3. 对梯度方向加入随机量，即使以及达到了梯度为零，那也因为随机量而还可以继续迭代

其它网络模型

  除了BP网络外，还有一些常用的算法如下，具体我也没了解过，供各位自行参考：

1. RBF（Radial Basis Function） 径向基函数网络：单隐成前馈神经网络
2. ART（Adaptive Resonance Theory）自适应谐振理论网络
3. SOM（Self-Organazing Map）自组织映射网络
4. 级联相关网络（Cascade-Correlation）
5. Elman网络
6. Boltzmann机
7. 深度学习：很深层的神经网络

点击查看 (人工智能) 系列文章

---