文章目录
第6章:神经网络:表示
6.1 非线性假设 Non-linear hypotheses
非线性分类的例子:
非线性假设,会因为特征量的增多导致二次项数的剧增,从而增大计算负荷。
在线性回归和逻辑回归中,使用非线性的多项式项,能够帮助我们建立更好的分类模型。但是当特征太多时,会导致计算量巨大。例如在房价预测中,房屋有100个特征变量,用这100个特征来构建一个非线性的多项式模型,即便我们只采用二次项
,也有约5000个二次项数。
关于计算机视觉的例子:
假设需要使用机器学习算法训练一个分类器,用来检测图像判断是否是汽车。
假如我们将图片的像素值作为特征,只选用灰度图片,每个像素则只有一个值(非RGB值),我们可以选取图片上的两个不同位置上的两个像素,然后训练一个逻辑回归算法,利用这两个像素的值来判断图片上是否是汽车。一个50×50像素的图片,拥有的特征量为2500,那么它的二次项数为2500×2500/2(约3百万个)。普通的逻辑回归模型,不能有效地处理这么多的特征,而神经网络被认为是在学习复杂的非线性假设时很好的算法。
6.2 模型表示 Model representation
在一个神经网络里或在我们实现的人工神经网络里。我们将使用一个很简单的模型来模拟神经元的工作,将神经元模拟成一个逻辑单元。
这就是一个简单的模型,模拟神经元,可以将上图中的黄色圈看成类似于神经元细胞的东西,通过输入通道传递给它一些信息,经过神经元做一些计算,通过输出通道输出计算结果
,这里的
。
参数向量:
上述的图中定义的是一个带有sigmoid或logistic激活函数的人工神经元,在神经网络中,激活函数是指非线性函数
,这里的
。另外,参数
也被称为权重。
神经网络其实是一组神经元连接在一起的集合:
上图是一个三层神经网络,第一层为输入层,第二层为隐藏层(隐藏层可能不止一个),第三层为输出层。增加一个额外的
,它有时也被称为偏置单元或偏置神经元,一般设
。
为了更好的解释这个神经网络具体的计算步骤,下面介绍符号解释:
表示第j层第i个神经元或单位的激活项(指由一个具体神经元计算并输出的值);
表示权重矩阵,它控制从第
层到第
层的映射。
对于上图所示的模型,激活单元和输出分别表示为:
下面展示一个向量化的实现方法。
将激活函数
里的参数设为
,上标表示与第i层有关。得出:
向量化实现方法的过程:
这是计算
的过程,也称为前向传播:依次计算激活项,从输入层到隐藏层再到输出层的过程。
6.3 例子和直观理解 Examples and intuitions
我们将通过例子来介绍神经网络如何计算复杂非线性函数的输入。
单层神经元的例子:
AND运算:
OR运算:
NOT运算:
我们可以将神经元组合成更加复杂的神经网络来实现更复杂的运算。
多层神经元的例子:
XNOR异或运算:XNOR=(
AND
) OR((NOT
) AND(NOT
))
6.4 多元分类 Multi-class classification
对于多分类问题,实现方法的本质是一对多,我们可以通过设置多个输出值来实现: