摘要：
以下是本人神经网络基础的学习过程，边学边记，包含对已学知识的总结概况和部分个人见解，目前7篇文献才学习到卷积神经网络和循环神经网络的理论基础上 对于卷积神经网络的训练还在研究学习中，希望能够掌握透里面的知识，学习完后再对基础的数字识别案例进行实践，下个星期再放上其余的读书报告 【读书报告--01】神 阅读全文
摘要：
1.卷积神经网络的激活函数--Relu 使用新的激活函数--Relu，公式如下： 2.卷积神经网络的网络架构：卷积层、Pooling层（也叫池化层）、全连接层 2.1卷积层的计算公式： 其中D为卷积层的深度 附：图像大小、步幅和卷积后的Feature Map大小关系： W、H：卷积前原图像的宽、高（ 阅读全文
摘要：
1.神经元 神经元和感知器本质上是一样的，只不过我们说感知器的时候，它的激活函数是阶跃函数；而当我们说神经元时，激活函数往往选择为sigmoid函数或tanh函数 2.神经网络的训练 现在，我们需要知道一个神经网络的每个连接上的权值是如何得到的。我们可以说神经网络是一个模型，那么这些权值就是模型的参 阅读全文
摘要：
1.线性单元 定义：使用一个可导的线性函数来替代感知器的阶跃函数，这种感知器就叫做线性单元 个人理解：感知器还是那个感知器，只是激活函数变成一个可导的线性函数：如f（x）=x 如下图：线性单元与前面所学的感知器（使用阶跃函数）的对比，只有激活函数改为”可导的线性函数“ 2.监督学习和无监督学习的概念 阅读全文
摘要：
一、感知器 1.神经网络和感知器 神经网络结构包含输入层、隐藏层（可以有多层）、输出层，如下图所示 其中每个神经元是一个感知器，感知器的结构组成部分：输入权值、激活函数、输出 ps：激活函数可以有很多种选择，而感知器的输出由 y=f(w*x+b)来计算 感知器结构如下图： 2.感知器的训练：（个人觉 阅读全文