Python 深度学习 - 基础知识

在本章中，我们将了解 Python 深度学习的基础知识。

深度学习模型/算法

现在让我们了解一下不同的深度学习模型/算法。

深度学习中的一些流行模型如下 -

• 卷积神经网络
• 循环神经网络
• 深度信念网络
• 对抗生成网络
• 自动编码器等

输入和输出表示为向量或张量。例如，神经网络可能有输入，其中图像中的单个像素 RGB 值表示为向量。

位于输入层和输出层之间的神经元层称为隐藏层。当神经网络试图解决问题时，大多数工作会在这里进行。仔细观察隐藏层可以揭示网络已学会从数据中提取的特征。

通过选择哪些神经元连接到下一层中的其他神经元，形成神经网络的不同架构。

用于计算输出的伪代码

以下是如何计算前向传播神经网络的输出的伪代码 -

• # node[] := 拓扑排序节点的数组
• # 从 a 到 b 的边表示 a 在 b 的左侧
• # 如果神经网络有 R 个输入和 S 个输出，
• # 那么前 R 个节点是输入节点，最后 S 个节点是输出节点。
• # incoming[x] := 连接到节点 x 的节点
• # weight[x] := x 的传入边的权重

对于每个神经元 x，从左到右 -

• if x <= R: do nothing # 它是一个输入节点
• inputs[x] = [output[i] for i in incoming[x]]
• weighted_sum = dot_product(weights[x], inputs[x])
• output[x] = Activation_function(weighted_sum)