深度学习：（五）初识神经网络
（一）神经网络的层数
除去输入层，但包括输出层，每一层都有自己的参数。
输入层称为第零层。
（二）最简单的神经网络（逻辑回归）
下图中的小圆圈，代表了一种运算。且一个小圆圈表示一个节点。
（三）进阶神经网络（双层，多节点）
为了统一和美观，作如下规定：
- 层数用上标 [ l ] [~l~] [ l ] 表示。
- 层中的节点用脚标 i i i 表示。
- 层的输出用 a a a 表示。
则有 a i [ l ] a_i^{[~l~]} ai[ l ] 表示第 l l l 层的第 i i i 个节点的输出值（激活值）。
有以下双层神经网络：
注解：
- “隐藏层”的含义是：在训练集中，这些中间节点的真正数值，我们并不知道。
- 对于隐藏层1：
- 每个节点都有不同的参数 w w w 和 b b b ；
- 输入为向量 x x x ；
- 执行 z = w T x + b z=w^Tx+b z=wTx+b 和 a = σ ( z ) a=\sigma(z) a=σ(z) 两个计算步骤。
- 对于输出层：
- 也有对应的参数 w w w 和 b b b ；
- 输入为隐藏层 1 1 1 的输出值；
- 执行 z = w T x + b z=w^Tx+b z=wTx+b 和 a = σ ( z ) a=\sigma(z) a=σ(z) 两个计算步骤。
参数矩阵：
-
第一层（隐藏层1）：
- w 1 [ 1 ] T , w 2 [ 1 ] T , w 3 [ 1 ] T , w 4 [ 1 ] T w_1^{[1]T},w_2^{[1]T},w_3^{[1]T},w_4^{[1]T} w1[1]T,w2[1]T,w3[1]T,w4[1]T 组成了矩阵 W [ 1 ] W^{[1]} W[1] ，即 W [ 1 ] = [ — w 1 [ 1 ] T — — w 2 [ 1 ] T — — w 3 [ 1 ] T — — w 4 [ 1 ] T — ] W^{[1]}=\left[ \begin{matrix} — & w_1^{[1]T} & —\\ — & w_2^{[1]T} & — \\ — & w_3^{[1]T} & — \\ — & w_4^{[1]T} & — \\ \end{matrix} \right] W[1]= ————w1[1]Tw2[1]Tw3[1]Tw4[1]T———— ，维度为 4 × 3 4×3 4×3 ，表示 4 4 4 个节点， 3 3 3 个输入特征。
- b 1 [ 1 ] , b 2 [ 1 ] , b 3 [ 1 ] , b 4 [ 1 ] b_1^{[1]},b_2^{[1]},b_3^{[1]},b_4^{[1]} b1[1],b2[1],b3[1],b4[1] 组成了列向量 b [ 1 ] b^{[1]} b[1] ，即 b [ 1 ] = [ b 1 [ 1 ] b 2 [ 1 ] b 3 [ 1 ] b 4 [ 1 ] ] b^{[1]}=\left[ \begin{matrix} b_1^{[1]}\\ b_2^{[1]}\\ b_3^{[1]}\\ b_4^{[1]}\\ \end{matrix} \right] b[1]= b1[1]b2[1]b3[1]b4[1] ，维度为 4 × 1 4×1 4×1 。
-
第二层（输出层）：
- w 1 [ 2 ] T w_1^{[2]T} w1[2]T 组成了矩阵 W [ 2 ] W^{[2]} W[2] ，即 W [ 2 ] = [ — w 1 [ 2 ] T — ] W^{[2]}=\left[ \begin{matrix} — & w_1^{[2]T} & —\\ \end{matrix} \right] W[2]=[—w1[2]T—] ，维度为 1 × 4 1×4 1×4 ，表示 1 1 1 个节点， 4 4 4 个输入特征（！！！！）。
- b 1 [ 2 ] b_1^{[2]} b1[2] 组成了 b [ 2 ] b^{[2]} b[2] （常数），维度为 1 × 1 1×1 1×1 。
用 a i [ l ] a_i^{[~l~]} ai[ l ] 表示每层的输出：
整体计算流程：
（四）向量化神经网络
单个训练样本
针对上述双层网络，计算代码及步骤如下：
G
i
v
e
n
i
n
p
u
t
x
:
a
[
0
]
=
x
z
[
1
]
=
W
[
1
]
a
[
0
]
+
b
[
1
]
a
[
1
]
=
σ
(
z
[
1
]
)
z
[
2
]
=
W
[
2
]
a
[
1
]
+
b
[
2
]
a
[
2
]
=
σ
(
z
[
2
]
)
\begin{align*} &Given~~input~~x:\\ &~~~~~~~~a^{[0]}=x\\ &~~~~~~~~z^{[1]}=W^{[1]}a^{[0]}+b^{[1]}\\ &~~~~~~~~a^{[1]}=\sigma(z^{[1]})\\ &~~~~~~~~z^{[2]}=W^{[2]}a^{[1]}+b^{[2]}\\ &~~~~~~~~a^{[2]}=\sigma(z^{[2]}) \end{align*}
Given input x: a[0]=x z[1]=W[1]a[0]+b[1] a[1]=σ(z[1]) z[2]=W[2]a[1]+b[2] a[2]=σ(z[2])
整个训练集（多个样本）
前情提要： x ( i ) x^{(i)} x(i) 表示第 i i i 个训练样本，共有 m m m 个样本。
-
原代码如下：
-
向量化代码：
将多个训练样本 x ( i ) x^{(i)} x(i) ，按列堆叠为 X = [ ∣ ∣ ∣ x ( 1 ) x ( 2 ) ⋅ ⋅ ⋅ x ( m ) ∣ ∣ ∣ ] X=\left[ \begin{matrix} | & | & & |\\ x^{(1)} & x^{(2)} &··· & x^{(m)} \\ | & | & & | \\ \end{matrix} \right] X= ∣x(1)∣∣x(2)∣⋅⋅⋅∣x(m)∣ ，维度为 n x × m n_x×m nx×m 。
可得新代码为：
A [ 0 ] = X Z [ 1 ] = W [ 1 ] A [ 0 ] + b [ 1 ] A [ 1 ] = σ ( Z [ 1 ] ) Z [ 2 ] = W [ 2 ] A [ 1 ] + b [ 2 ] A [ 2 ] = σ ( Z [ 2 ] ) \begin{align*} &A^{[0]}=X\\ &Z^{[1]}=W^{[1]}A^{[0]}+b^{[1]}\\ &A^{[1]}=\sigma(Z^{[1]})\\ &Z^{[2]}=W^{[2]}A^{[1]}+b^{[2]}\\ &A^{[2]}=\sigma(Z^{[2]}) \end{align*} A[0]=XZ[1]=W[1]A[0]+b[1]A[1]=σ(Z[1])Z[2]=W[2]A[1]+b[2]A[2]=σ(Z[2])
其中： Z [ 1 ] = [ ∣ ∣ ∣ z [ 1 ] ( 1 ) z [ 1 ] ( 2 ) ⋅ ⋅ ⋅ z [ 1 ] ( m ) ∣ ∣ ∣ ] Z^{[1]}=\left[ \begin{matrix} | & | & & |\\ z^{[1](1)} & z^{[1](2)} &··· & z^{[1](m)} \\ | & | & & | \\ \end{matrix} \right] Z[1]= ∣z[1](1)∣∣z[1](2)∣⋅⋅⋅∣z[1](m)∣ ， A [ 1 ] = [ ∣ ∣ ∣ a [ 1 ] ( 1 ) a [ 1 ] ( 2 ) ⋅ ⋅ ⋅ a [ 1 ] ( m ) ∣ ∣ ∣ ] A^{[1]}=\left[ \begin{matrix} | & | & & |\\ a^{[1](1)} & a^{[1](2)} &··· & a^{[1](m)} \\ | & | & & | \\ \end{matrix} \right] A[1]= ∣a[1](1)∣∣a[1](2)∣⋅⋅⋅∣a[1](m)∣ ， Z [ 2 ] Z^{[2]} Z[2] 与 A [ 2 ] A^{[2]} A[2] 同理。
（五）经验法则
- 当一层中有不同的节点时，我们一般将这些节点的参数或输出值（激活值）纵向堆叠起来。
- 对于多个训练样本，我们一般将每个样本横向合并起来。
即：在每一步的输出矩阵中，横向指标对应不同的训练样本；纵向指标对应某一层的不同节点。
————————————————————————————————————————————————————————
| 上一篇博客 | 下一篇博客 |
|---|---|
| python中的广播 |
原文地址：https://blog.csdn.net/qq_51409113/article/details/142381308
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）！