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
法律研究在机器学习的深度学习中，神经网络中的层是什么？
神经网络可以包含任意数量的神经元。这些神经元以相互连接的层的形式组织。输入层可用于表示数据集和数据上的初始条件。
例如，假设输入是灰度图像，则输入层中每个神经元的输出将是图像中每个像素的强度。
这就是我们不将输入层视为神经网络中其他层的一部分的原因。当我们提到一个 1 层网络时，我们实际上指的是一个包含一个单层（输出层）和附加的输入层的简单网络。
我们之前已经看到输出层可以有一个神经元。但有些情况下，输出层也可以有多个神经元。
输出层有多个神经元的情况在分类中很有用，因为每个输出神经元都代表一个类别。
考虑修改后的国家标准与技术研究所 (MNIST) 数据集的示例。
我们可以输出多个（在本例中为 10 个）神经元，其中每个神经元对应于 0 到 9 之间任何数字的某个数字。
这样，1 层神经网络也可以用于对每个图像上的数字进行分类。
这可以通过获取具有最高激活函数值的输出神经元来完成。如果最高激活函数值位于 y5 上，我们可以理解网络将显示的图像解释为数字 5。
神经网络中一层的神经元可以连接到其他层的神经元，但不能连接到同一层中的其他神经元。
首先，组织神经元成层有什么必要？
一个原因是神经元传递的信息有限（只有一个值）。但是，当层中的神经元组合在一起时，它们的输出会产生一个向量。现在可以考虑整个向量，而不是单个激活。这样，可以传递更多信息。这是因为向量包含多个值，并且向量中值的相对比率携带元数据。
更新于： 2020 年 12 月 11 日
558 次浏览
广告