数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究解释什么是神经元，在机器学习中的神经网络的语境下。
神经元是一个数学函数，它接收一个或多个值作为输入，并输出一个单一的数值。
它可以定义如下：
这里，'f' 指的是函数。
我们首先计算输入 xi 和权重 wi 的加权和。
权重 wi 也称为激活值或激活函数。
输入 xi 可以是表示输入数据的数值，或者如果神经元属于神经网络，它可以是来自其他神经元的输出。
权重 wi 是一个数值，可以用来表示输入的强度或神经元之间连接链接的强度。
权重 'b' 是一个特殊的称为偏置的值，其输入始终为 1。
偏置 'b' 用于允许超平面从坐标系的中心偏移。
如果不使用偏置，神经元将具有有限的表示能力。
加权和的结果作为输入传递给激活函数 f，也称为传递函数。
有不同类型的激活函数，但它们都必须满足非线性的要求。
一个重要的观察结果是，神经元类似于逻辑回归和感知器。
神经元可以理解为逻辑回归和感知器算法的广义版本。如果使用逻辑函数或阶跃函数作为激活函数，则神经元可以分别用作逻辑回归或感知器。
此外，如果我们不使用任何激活函数，神经元就变成了一个线性回归问题。
先前定义的激活值可以解释为向量 w 和向量 x 的点积。
如果 -，则向量 x 将垂直于权重向量 w。
因此，所有向量 x，
在特征空间 Rn 中定义一个超平面，其中 n 是 x 的维度。
让我们用简单的术语来理解以上陈述 - 如果激活函数是 f(x) = x，并且我们有一个单一的输入值 x，则神经元的输出变为 y = wx + b。这是线性方程。
这表明在单维输入空间中，神经元基本上给出了直线的方程，即定义了一条直线。
如果我们对两个或多个输入可视化相同内容，则神经元定义了一个平面。如果输入维度是任意数量，则神经元定义了一个超平面。
感知器（神经元）仅适用于线性可分的类别，这是因为它定义了一个超平面。为了克服这一限制，神经元被组织成神经网络。
276 次浏览
