当前位置:   article > 正文

深度学习DeepLearning Inference 学习笔记

深度学习DeepLearning Inference 学习笔记

神经网络预测

术语

隐藏层神经元多层感知器

神经网络概述

应当选择正确的隐藏层数和每层隐藏神经元的数量,以达到这一层的输出是下一层的输入,逐层变得清晰,最终输出数据的目的。

在人脸识别的应用中,我们将图片视作连续的像素值序列,隐藏层不断匹对信息,颗粒从小到大。

正向传播基本原理

神经元层通过逻辑回归,计算出这层的数据参数能有多大的可能性,然后把它作为下一层的输入。

w ⃗ j [ i ] \vec w_j^{[i]} w j[i], i是层数,j是这一层第几个神经元。从0开始计层,输入层不计。

正向传播一般式

a j i = g ( w ⃗ j [ i ] ∗ a ⃗ [ i − 1 ] + b j [ i ] ) a_j^{i}=g(\vec w_j^{[i]}*\vec a^{[i-1]}+b_j^{[i]}) aji=g(w j[i]a [i1]+bj[i])
注:g是激活函数。

这种传播是正向传播

代码

在这里插入图片描述

numpy的二维矩阵

x = np.array([[2,1])一行二列的矩阵数组
x = np.array([[2],[1]])二行一列的矩阵数组
x = np.array([2,1])一维数组

numpy与TensorFlow的矩阵规范差异
在这里插入图片描述

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/运维做开发/article/detail/923473
推荐阅读
相关标签
  

闽ICP备14008679号