什么是机器学习中的神经网络？

神经网络可以理解为一个隐藏层、输入层和输出层网络，试图模拟人脑的工作方式。

隐藏层可以被视为输入数据本身的抽象表示。这些层帮助神经网络借助其自身的内部逻辑理解数据的各种特征。

这些神经网络是非可解释模型。非可解释模型是指即使观察隐藏层也无法解释或理解的模型。这是因为神经网络具有独立运行的内部逻辑，我们无法理解。

我们只能将其视为数值向量的集合。由于神经网络的输出是一个数值向量，因此我们需要一个明确的输出层来弥合实际数据与网络对数据的表示之间的差距。

输出层可以理解为一个翻译器，它帮助我们理解网络的逻辑并转换目标值。

一个名为“通用逼近定理”的定理指出，包含一个隐藏层的向前馈网络可以用来表示任何函数。

这意味着包含一个隐藏层的神经网络的功能没有限制。但在现实生活中，一个隐藏层的神经网络无法很好地使用。

神经网络是一种帮助处理信息的数学模型。它不是一组代码行，而是一个模型或系统，它帮助处理输入/信息并给出结果。

信息以最简单的形式在称为“神经元”的基本元素上进行处理。神经元相互连接，并借助连接链在它们之间交换信号/信息。

神经元之间的这些连接链可以是强连接或弱连接，连接链的强度决定了信息处理的方式。

每个神经元都有一个内部状态，该状态可以由来自其他神经元的传入连接确定。

每个神经元都有一个激活函数，该函数在其状态上计算，这有助于确定其输出信号。

神经网络可以理解为数学运算的计算图。

神经网络的两个主要特征：

  • 架构
  • 学习

架构

它描述了连接类型：是前馈、递归、多层、卷积还是单层。它还描述了层数以及每一层中的神经元数量。

学习

它描述了神经网络的训练方法。训练神经网络的一种常见方法是使用梯度下降和反向传播。

更新于： 2020年12月10日

7K+ 浏览量

开启你的职业生涯

通过完成课程获得认证

开始学习
广告