02 人工神经网络的模型表示(假设)
- 神经网络的逻辑单元表示
神经网络的每个逻辑单元,都是一个sigmoid函数。
神经网络本质是这些神经元的堆叠
输入层称为 input layer,输出层称为 output layer, 中间层称为 hidden layer
是第 j 层的第 i 个神经元
控制着从 j 层到 j+1 层神经元的权重矩阵
- 神经网络的表示(假设)
第一层神经元的输出或者说是激励,计算方法如下。g(x)代表sigmoid函数
矩阵的规模:如果第 j 层有 a 个神经元,第 j+1 层有 b 个神经元,则连接两层网络的神经元的数目是 b * ( a +1) 个,因为 j 层还有一个偏置输入X0 (bias input),对于X0 也需要一个theta,所以神经元的数目是 b * ( a +1) 个。
- 前向传播的向量化计算
假设输入层为 x,x 可以表示为
z 表示线性计算的结果,就是sigmoid的输入
则第二层的激励矢量的计算可表示为,
第三层的激励矢量的计算过程为
以上过程被称为前向传播(forward propagation),以上过程是前向传播的向量化实现。
- 人工神经网路的另一种解释
如果把第一层输入遮住,后面部分就是一个完全的逻辑回归模型。也就是说,对于人工神经网络来说,它是把前一层逻辑回归的结果,作为新的特征,输入到下一层逻辑回归模型中去。
人工神经网络没有直接使用x1, x2, ,...xn作为特征直接进行训练,而是通过前一层的神经元,学到自己的训练特征 a1, a2, an,以得到更好的假设。