神经网络基础原理
目录
神经网络基础
人工神经网络（ANN），简称神经网络（NN）。
经典神经网络结构包括三个层次：输入层、输出层以及隐藏层
每个圆圈代表一个神经元，隐藏层和输出层的神经元由输入的数据计算后输出，输出层的神经元只是输出
神经网络特点
1）每个连接都有权值
2）同一层神经元之间没有连接
3）最后的输出结果对应的层称之为全连接层
感知机（早期基础）
不能解决复杂的问题
可以解决与问题：两个特征同时为1，结果为1
或问题：两个特征一个为1，结果为1
感知机是一种基础的分类模型，使用激活函数sign,感知机也有连接的权重和偏置
神经网络原理
神经网络解决多分类问题
softmax回归：将神经网络输出转换成概率结果
logits 加上softmax映射 ---多分类问题
怎样找到合适的模型参数？
构造损失函数（交叉熵损失）
公式：
减少损失，需要进行优化，提高对应目标值为1的位置输出概率大小
优化损失（TensorFlow中）
》tf.nn.softmax_cross_entropy_with_logits(labels=None,logits=None,name=None)
计算logits和labels之间的交叉损失熵
labels:标签值（真实值）
logits:样本加权之后的值
return:返回损失值列表
》tf.reduce_mean(input_tensor)
计算张量的尺寸的元素平均值
原文地址：https://blog.csdn.net/weixin_47256446/article/details/137835547
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！