吴恩达《Machine Learning》精炼笔记 4：神经网络基础 - 知乎

想让APP和微信一样，可以流畅运行小程序？ | 体验即送大疆、华为、樱桃键盘！>>>

作者：Peter

红色石头的个人网站：

红色石头的个人博客-机器学习、深度学习之路​ www.redstonewill.com

今天带来第四周课程的笔记：神经网络基础。

• 非线性假设
• 神经元和大脑
• 模型表示
• 特征和直观理解
• 多类分类问题

非线性假设Non-linear Hypotheses

线性回归和逻辑回归的缺点：特征太多的时候，计算负荷会非常大

假设我们希望训练一个模型来识别视觉对象（例如识别一张图片上是否是一辆汽车），我们怎样才能这么做呢？一种方法是我们利用很多汽车的图片和很多非汽车的图片，然后利用这些图片上一个个像素的值（饱和度或亮度）来作为特征。

假设采用的是50*50像素的小图片，将所有的像素视为特征，则有2500个特征。普通的逻辑回归模型不能处理的，需要使用神经网络

神经元和大脑

模型表示

模型表示1

每个神经元是可以被认为一个处理单元/神经核processing unit/Nucleus，主要包含：

• 多个输入/树突input/Dendrite
• 一个输出/轴突output/Axon

神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络

1. 神经网络模型建立在很多神经元之上，每一个神经元又是一个个学习模型
2. 神经元称之为激活单元activation unit；在神经网络中，参数又可被成为权重（weight）
3. 类似神经元的神经网络

神经网络

下图是逻辑回归模型作为自身学习模型的神经元示例

类似神经元的神经网络结构

• x1,x2,x3是输入单元，将原始数据输入给它们
• 几个比较基础的概念
• 输入层：数据节点所在的层
• 网络层：输出hihi连同它的网络层参数w,bw,b
• 隐藏层：网络层中间的层
• 输出层：最后一层
• 偏置单元：bias unit，每层加上偏置单元

上面模型的激活单元和输出分别表示为：

三个激活单元的表达式:

输出的表达式为：

将特征矩阵的每行（一个训练实例）喂给了神经网络，最终需要将整个训练集都喂给神经网络。

这种从左到右计算的算法称之为：前向传播法FORWARD PROPAGATION

模型标记的记忆方法

其尺寸具体表示为：

• 以第jj 层的激活单元数量为行数
• 以第 j+1j+1层的激活单元数+1为列数的矩阵
  

模型表示2

FORWARD PROPAGATION相对于使用循环来编码，利用向量化的方法会使得计算更为简便，

假如现在有：

其中z满足:

也就是上面三个激活单元式子中的括号里面部分，那么有：

那么输出h可以表示为 ：

特征和直观理解

神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑与(AND)、逻辑或(OR)

实现逻辑”与AND”

实现逻辑"或OR"

实现逻辑“非not”

多类分类问题

当输出中不止有两种分类时，比如使用神经网络算法来识别路人、汽车、摩托车等。

• 输入向量有3个维度，两个中间层
• 输出层有4个神经元表示4种分类，也就是每一个数据在输出层都会出现[a,b,c,d]T[a,b,c,d]T，且[a,b,c,d][a,b,c,d]中仅有一个为1，表示当前类

TF中解决办法

上述多类分类问题和TF中手写数字问题类似，解决办法如下：

1. 手写数字图片数据

总类别数是10，即输出节点总数值dout=10dout=10，假设某个样本的类别是i，即图片中的数字是ii，需要一个长度为10的向量yy，索引号为ii的位置设置为1，其余是0。

• 0的one-hot编码是[1,0,0,0,….]
• 1的one-hot编码是[0,1,0,0,….]
• 其余类推

至此，第四周的课程笔记完毕！

系列文章：

吴恩达《Machine Learning》精炼笔记 1：监督学习与非监督学习

吴恩达《Machine Learning》精炼笔记 2：梯度下降与正规方程

吴恩达《Machine Learning》精炼笔记 3：回归问题和正则化

本文首发于公众号：AI有道（ID: redstonewill），欢迎关注！