深度学习基础知识(2)

二、神经网络
 

第0层是输入层，最后一层是输出层，中间是中间层或隐藏层。上图中的网络有3层神经元，实质只有两层有权重，因此称为两层网络。

1、激活函数

感知器：y=0(b+w1x1+w2x2<=0)或y=1(b+w1x1+w2x2>0)改写为

y=h(b+w1x1+w2x2)，h(x)=0(x<=0)或h(x)=1(x>0)

激活函数h(x)：将输入信号的总和转换为输出信号的表达式，决定如何激活输入信号的总和。

上式中的激活函数是阶跃函数，只能返回0或1，而神经网络中的激活函数常用的是sigmoid函数和ReLU函数。

1'sigmoid函数

h(x)=1/(1+exp(-x))

和阶跃函数的对比：sigmoid是平滑的函数，输出随输入发生连续的变化，因此可以返回0-1之间的实数。

和阶跃函数的相同点：输入小时，输出接近0，输入增大时输出向1靠近，即当输入信号为重要信息时，都会输出较大值，且两者输出都在0-1之间。

2'ReLU函数

h(x)=x(x>0);h(x)=0(x<=0)

输入大于0时直接输出，输入小于0时输出0

总结：激活函数只能为非线性函数，因为线性函数的问题是多个隐藏层可以用一个隐藏层实现。例如h(x)=cx作为激活函数，y(x)=h(h(h(x)))对应的三层神经网络可以用一层表示y(x)=c^3x。如果要用叠加层则必须使用非线性函数。