首页 > 其他分享 >卷积神经网络学习笔记

卷积神经网络学习笔记

时间:2024-01-23 22:23:44浏览次数:34  
标签:leq0 end 函数 卷积 begin 笔记 神经网络 cases

全连接神经网络的结构

  1. 全连接神经网络的整体结构

    可以简化为智能函数 \(y = f_θ(x)\)
    输入和输出层一般为数据矩阵

  2. 全连接网络的单元结构
    神经网络的思路:从单元到整体
    一个单元的结构:
    image
    \(X_1, X_2, X_3...\)是很多矩阵,然后这些矩阵分别乘上对应的权重矩阵,再加上偏置矩阵b,输入给激活函数,就会输出结果

    用数学形式表达就是:

    \(y_1 = h(X_1W_1 + X_2W_2 + X_3W_3 + b)\)
    (\(h(x)\)为激活函数)

    所以如果想输出优质结果,就要调整各个输入的权重W

    下一层的神经网络以这一层的输出为输入,进行同样的运算:

    \(y_2 = h(y_1W + b)\)

激活函数

  1. 为什么激活函数一般不用线性函数?

    若\(h(x) = kx + b\),则下一层的运算结果\(h((h(x)) = k^2x + kb + b\),仍为\(y = kx + b\)形式,也就是说没有体现出层数增加带来的效果

  2. sigmoid函数

    \(y = \frac{1}{1+e^{-z}}\)
    \(y' = y(1-y)\)
    image

    特点:值域为(0,1),在x接近0处梯度较好
    优点:

    • 简单,适合分类任务

    缺点

    • 在远离0的地方梯度过小,反向传播算法会出问题
    • 值域不关于0对称
  3. tanh激活函数(双曲正切函数)

    \(y = \frac{e^z-e^{-z}}{e^z+e^{-z}}\)
    \(y' = 1-y^2\)
    image

    特点:

    • 与sigmoid函数很像
    • 值域为(-1,1),关于0对称

    优点:

    • 比sigmoid收敛快
    • 值域关于0对称

    缺点

    • 可能出现梯度消失问题
  4. ReLU函数

    \(y = \begin{cases} 0, &x\leq0\\ x, &x>0 \end{cases}\)

    \(y' = \begin{cases} 0, &x\leq0\\ 1, &x>0 \end{cases}\)
    image

    特点:

    • 分段函数

    优点:

    • 解决了梯度消失问题
    • 没有指数运算,运算更为简便

    缺点:

    • 可能会出现神经元死亡的问题(也就是当x<0的时候,梯度为0,参数不再更新)
  5. leaky ReLU函数

    \(y = \begin{cases} ax, &x\leq0\\ x, &x>0 \end{cases}(a\neq1)\)

    \(y' = \begin{cases} a, &x\leq0\\ 1, &x>0 \end{cases}\)

    特点:

    • 分段函数

    优点:

    • 不会出现神经元死亡的问题

    缺点:

    • 对正、负的输入,对应的函数不同,无法进行一致的关系预测

标签:leq0,end,函数,卷积,begin,笔记,神经网络,cases
From: https://www.cnblogs.com/fruition111/p/17983560

相关文章

  • Binary tree traversal-- beadth-first and depth-first【1月23日学习笔记】
    点击查看代码//Binarytreetraversal--beadth-firstanddepth-first#include<iostream>#include<queue>//STLusingnamespacestd;structnode{intdata;node*left,*right;};node*getnewnode(intx){node*temp=newnode;temp-&......
  • 大模型笔记6
    今天学习的内容是大模型评测,是针对具有标准答案的客观问题,我们可以我们可以通过使用定量指标比较模型的输出与标准答案的差异,并根据结果衡量模型的性能。同时,由于大语言模型输出自由度较高,在评测阶段,我们需要对其输入和输出作一定的规范和设计,尽可能减少噪声输出在评测阶段的影响,才......
  • C#学习笔记-类、对象、类成员
    类(class)  在类与名称空间简单学习了类的概念。程序世界中的类是对现实世界的事物进行抽象的结果,类定义了事物的特点、行为,在一定程度上反映现实事物的样子。但类又舍弃了一些不必要的内容(在程序中没有涉及),是现实事物的模型。建模是一个由表及里的过程,向外提供了易于使用的接口,......
  • Binary tree traversal-- level-order traversal using queue【1月23日学习笔记】
    点击查看代码//Binarytreetraversal--level-ordertraversalusingqueue#include<iostream>#include<queue>//STLusingnamespacestd;structnode{intdata;node*left,*right;};node*getnewnode(intx){node*temp=newnode;t......
  • 《人月神话》前十章阅读笔记
     首先,《人月神话》这本书从编程的乐趣入手认为这种快乐是一种创建事物的纯粹快乐,这种快乐来自于开发对他人有用的东西。,快乐来自于整个过程体现出的一股强大的魅力,这种快乐是持续学习的快乐,这种快乐还来自于在易于驾驭的介质上工作但同时没有一份职业仅仅包含乐趣,这份职业的苦恼......
  • 哈希学习笔记+杂题(进阶1 字符串哈希)
    哈希杂题前言:竟然下雪了,但是天是灰蒙蒙的。一、哈希学习笔记+杂题(进阶1字符串哈希)相关题单:戳我字符串哈希因为是一种玄学做法,所以具有极强的延展性。所以再碰到字符串的题时,抛开马拉车,kmp,字典树,AC自动机,SA&SAM,先想一下哈希的做法,如果时间复杂度允许,那就可以直接上哈希(虽然你......
  • 哈希学习笔记+杂题(进阶1 字符串哈希)
    哈希杂题前言:竟然下雪了,但是天是灰蒙蒙的。一、哈希学习笔记+杂题(进阶1字符串哈希)相关题单:戳我字符串哈希因为是一种玄学做法,所以具有极强的延展性。所以再碰到字符串的题时,抛开马拉车,kmp,字典树,AC自动机,SA&SAM,先想一下哈希的做法,如果时间复杂度允许,那就可以直接上哈希(虽然你......
  • 基于信号功率谱特征和GRNN广义回归神经网络的信号调制类型识别算法matlab仿真
    1.算法运行效果图预览 2.算法运行软件版本MATLAB2022a 3.算法理论概述       本课题,我们主要对MPSK和MFSK调制类型进行识别。在进行信号调制方式区分之前,首先需要对PSK和FSK进行区分,提出了一种基于信号功率谱的PSK和FSK调制方式的识别方法。信号的功率谱计算过程......
  • Find height of a binary tree【1月23日学习笔记】
    点击查看代码#include<iostream>usingnamespacestd;structNode{intdata;Node*left,*right;};Node*newNode(intx){Node*temp=newNode;temp->data=x;temp->left=temp->right=NULL;returntemp;}voidin......
  • Find min and max element in bst using recursion【1月23日学习笔记】
    点击查看代码#include<iostream>usingnamespacestd;structNode{intdata;Node*left,*right;};Node*newNode(intx){Node*temp=newNode;temp->data=x;temp->left=temp->right=NULL;returntemp;}voidin......