礼信堂 网站开发,免费网站域名注册申请,电商培训班一般学多久,深圳外贸建站神经网络技术起源于上世纪五、六十年代#xff0c;当时叫感知机#xff08;perceptron#xff09;#xff0c;拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层#xff0c;在输出层得到分类结果。早期感知机的推动者是Rosenblatt。#xff08;扯… 神经网络技术起源于上世纪五、六十年代当时叫感知机perceptron拥有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层在输出层得到分类结果。早期感知机的推动者是Rosenblatt。扯一个不相关的由于计算技术的落后当时感知器传输函数是用线拉动变阻器改变电阻的方法机械实现的脑补一下科学家们扯着密密麻麻的导线的样子… 但是Rosenblatt的单层感知机有一个严重得不能再严重的问题即它对稍复杂一些的函数都无能为力比如最为典型的“异或”操作。连异或都不能拟合你还能指望这货有什么实际用途么o(╯□╰)o 随着数学的发展这个缺点直到上世纪八十年代才被Rumelhart、Williams、Hinton、LeCun等人反正就是一票大牛发明的多层感知机multilayerperceptron克服。多层感知机顾名思义就是有多个隐含层的感知机废话……。好好我们看一下多层感知机的结构 多层感知机可以摆脱早期离散传输函数的束缚使用sigmoid或tanh等连续函数模拟神经元对激励的响应在训练算法上则使用Werbos发明的反向传播BP算法。对这货就是我们现在所说的神经网络NN——神经网络听起来不知道比感知机高端到哪里去了这再次告诉我们起一个好听的名字对于研zhuang究bi很重要 多层感知机解决了之前无法模拟异或逻辑的缺陷同时更多的层数也让网络更能够刻画现实世界中的复杂情形。相信年轻如Hinton当时一定是春风得意。 多层感知机给我们带来的启示是神经网络的层数直接决定了它对现实的刻画能力——利用每层更少的神经元拟合更加复杂的函数[1]。 Bengio如是说functions that can be compactly represented by a depth k architecture might require an exponential number of computational elements to be represented by a depth k − 1 architecture. 即便大牛们早就预料到神经网络需要变得更深但是有一个梦魇总是萦绕左右。随着神经网络层数的加深优化函数越来越容易陷入局部最优解并且这个“陷阱”越来越偏离真正的全局最优。利用有限数据训练的深层网络性能还不如较浅层网络。同时另一个不可忽略的问题是随着网络层数增加“梯度消失”现象更加严重。具体来说我们常常使用sigmoid作为神经元的输入输出函数。对于幅度为1的信号在BP反向传播梯度时每传递一层梯度衰减为原来的0.25。层数一多梯度指数衰减后低层基本上接受不到有效的训练信号。 2006年Hinton利用预训练方法缓解了局部最优解问题将隐含层推动到了7层[2]神经网络真正意义上有了“深度”由此揭开了深度学习的热潮。这里的“深度”并没有固定的定义——在语音识别中4层网络就能够被认为是“较深的”而在图像识别中20层以上的网络屡见不鲜。为了克服梯度消失ReLU、maxout等传输函数代替了sigmoid形成了如今DNN的基本形式。单从结构上来说全连接的DNN和图1的多层感知机是没有任何区别的。 值得一提的是今年出现的高速公路网络highway network和深度残差学习deep residual learning进一步避免了梯度消失网络层数达到了前所未有的一百多层深度残差学习152层[3,4]具体结构题主可自行搜索了解。如果你之前在怀疑是不是有很多方法打上了“深度学习”的噱头这个结果真是深得让人心服口服。 我们看到全连接DNN的结构里下层神经元和所有上层神经元都能够形成连接带来的潜在问题是参数数量的膨胀。假设输入的是一幅像素为1K*1K的图像隐含层有1M个节点光这一层就有10^12个权重需要训练这不仅容易过拟合而且极容易陷入局部最优。另外图像中有固有的局部模式比如轮廓、边界人的眼睛、鼻子、嘴等可以利用显然应该将图像处理中的概念和神经网络技术相结合。此时我们可以祭出题主所说的卷积神经网络CNN。对于CNN来说并不是所有上下层神经元都能直接相连而是通过“卷积核”作为中介。同一个卷积核在所有图像内是共享的图像通过卷积操作后仍然保留原先的位置关系。两层之间的卷积传输的示意图如下 通过一个例子简单说明卷积神经网络的结构。假设图3中m-11是输入层我们需要识别一幅彩色图像这幅图像具有四个通道ARGB透明度和红绿蓝对应了四幅相同大小的图像假设卷积核大小为100*100共使用100个卷积核w1到w100从直觉来看每个卷积核应该学习到不同的结构特征。用w1在ARGB图像上进行卷积操作可以得到隐含层的第一幅图像这幅隐含层图像左上角第一个像素是四幅输入图像左上角100*100区域内像素的加权求和以此类推。同理算上其他卷积核隐含层对应100幅“图像”。每幅图像对是对原始图像中不同特征的响应。按照这样的结构继续传递下去。CNN中还有max-pooling等操作进一步提高鲁棒性。 转载于:https://www.cnblogs.com/timlong/p/11088469.html
