吴恩达《机器学习》课程总结(7)_非线性假设

Q1非线性假设

（1）无论线性回归还是逻辑回归当特征量太多时，计算的负荷会非常大。如50x50像素有2500特征，如果两两组合将会有2500²/2个（接近300万个特征）。普通的线性回归和逻辑回归模型不能有效处理这么多特征，这时候需要用神经网络了。

Q2神经元和大脑

大脑的某一块可以经过学习，学会其他功能，比如某一块感受触觉，但是接受视觉训练之后，能够感受视觉。

Q3模型表示1

（1）神经元有树突和轴突，许多树突接受电信号，一个轴突发送电信号。

（2）根据神经元模型，创建逻辑回归模型：

（3）多神经元、多层时，分别称为输入层，掩藏层，输出层：

Q4模型表示2

（1）向量表示比循环编码更高效：

以上只是针对一个训练实例，如果是整个训练集进行计算的话，需要将X进行转置，使得同一个实例在一列。

（2）神经网络比线性回归和逻辑回归更强大，在于前者将特征不断进行高级化。

Q5特征和直观理解1

（1）从本质上讲，神经网络能够通过学习得出其自身的一系列特征。

（2）逻辑与运算

 

其中θ为[-30,20,20]^T.

（3）逻辑或运算

 

其中θ为[-10,20,20]^T。

（4）非运算

关键是激活函数g(h(x))的使用。

Q6样本和直观理解II

通过上一节的简单运算构造出复杂运算（同为1或者同为0时取1）

按照这种方法我们可以逐步构造出越来越复杂的函数，也能得到更加厉害的特征值。这就是神经网络厉害之处。

Q7多类分类

如要在一个图片中识别路人，汽车，摩托车，卡车四类，这是神经网络可以设置四个输出，每一个用1或0代表是否有某一类即可。

?

1 2 3 4 5 6

neutral network ---神经网络学习 forward propagation ---向前传播 nonlinear hypotheses   ---非线性假设函数 input layer ---输入层 output layer    ---输出层 hidden layer    ---隐藏层