（吴恩达机器学习）4.神经网络

qq_45930344

已于 2024-07-24 10:03:23 修改

阅读量838

点赞数 15

CC 4.0 BY-SA版权

文章标签：神经网络人工智能深度学习

于 2024-07-21 15:37:21 首次发布

本文链接：https://blog.csdn.net/qq_45930344/article/details/140587616

1初识神经网络

神经网络按层划分，中间部分为隐藏层，最后的层为输出层。每个层中有一个或者多个神经元。输入到layer中的数据是输入数据，从隐藏层输出的数据叫激活，从output layer输出的数据是最终获得的输出数据。

如下，以人脸识别为例子

中间隐藏层一层一层的对图片进行解析，并将激活输入到下一层，最终获得结果的可能性。

2神经网络的构建

2.1神经网络的网络层

神经网络的网络层实际就是隐藏层和输出层的总和，以下分别介绍隐藏层和输出层的大致运行内容

如上，实际每一层的神经元其实就是一个逻辑回归单元。输入的数据在逻辑回归单元的计算下，得到的概率，每个神经元都可以对输入的数据进行处理，从而得到了一个数据向量，就是该层输出的激活。然后将这个激活输入到下一层进行同样的操作

输出层也是如此，只是输出层一般情况只存在

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_45930344

关注关注

15
点赞
踩
9

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

吴恩达老师机器学习课程--神经网络

qq_38908130的博客

01-07

454

一、为什么使用神经网络？复杂的非线性分类，决策边界很复杂特征过多时，特征映射项非常多，计算成本高，容易过拟合，例如：图片的分类问题二、神经元与大脑起源：用来模拟大脑的算法我们几乎可以将任何传感器接入大脑主要学习将它应用于现代机器学习技术三、神经网络结构及表达 神经网络模型：（逻辑单元）组成单元：输入，隐藏层，权重，输出，如图所示数学推导：ai(j)a_i^{(j)}ai(j)为第j个激活层的第i个单元，θ(j)\theta^{(j)}θ(j)为从j层到j+1层的偏重 a1(

吴恩达机器学习--神经网络

m0_46520099的博客

02-14

1171

吴恩达2022机器学习--神经网络部分

1 条评论您还未登录，请先登录后发表或查看评论

吴恩达（构建深层次神经网络（多隐藏层））

最新发布

qq_53386557的博客

06-05

720

在前面我们已经了解了有关神经网络的很多理论，如单隐藏层神经网络的前向传播、反向传播，logistic回归，向量化，随机初始化，非线性激活函数等等。那么这周的任务就是将这些理论连接起来，构造一个属于我自己的深层次神经网络。

吴恩达机器学习（五）—— 神经网络

Taurus

06-20

4543

文章目录1. 非线性假设2. 神经元和大脑3. 模型表示I4. 模型表示II5. 多类别分类 神经网络最初是一个生物学的概念，一般是指大脑神经元、触点、细胞等组成的网络，用于产生意识，帮助生物思考和行动，后来人工智能受神经网络的启发，发展出了人工神经网络。人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称连接模型（Connection Model），它是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程

吴恩达机器学习之神经网络

远方传来风铃

02-10

290

吴恩达讲的英语很好听 --2020.02.10 Neural Networks Origins: algorithms that try to mimic the brain. Neura...

吴恩达机器学习之神经网络概述

u011943074的博客

02-16

627

一、非线性假设线性回归与逻辑回归，都是线性假设，对于一些问题，如果用线性假设模拟，参数将会非常多，计算量巨大，而用非线性假设模拟，参数数量可能要少的多。此外，所有的线性假设，如感知机，都不能解决异或(XOR，不同即为真)与同或(XNOR，相同即为真)问题，即非线性边界。神经网络，既可以做线性假设，也可以做非线性假设，因此应用范围更广。二、模型表示如上图，Layer1是输入层，Layer2是...

吴恩达机器学习代码.zip

04-09

进入21世纪，深度学习成为机器学习领域的重要突破，采用多层神经网络模型，通过大量数据和强大的计算能力来训练模型，在计算机视觉、自然语言处理和语音识别等领域取得了显著的成果。 机器学习算法在各个领域都有...

吴恩达机器学习讲义.zip

08-10

这份名为“吴恩达机器学习讲义.zip”的压缩包文件包含了他在机器学习课程中的讲义，这是一份珍贵的学习资源，涵盖了机器学习的基础到高级主题。 1. **Lecture1.pdf** - 通常会介绍机器学习的基本概念和分类，包括...

吴恩达深度学习笔记.pdf

11-21

【吴恩达深度学习笔记】是一份针对吴恩达教授在Coursera平台上的深度学习课程的详尽笔记，旨在帮助已有一定编程基础和机器学习知识的计算机专业人士深入理解和应用深度学习技术。该课程分为5个部分，涵盖了深度学习...

吴恩达机器学习matlab编程作业

11-04

在本项目中，“吴恩达机器学习matlab编程作业”涵盖了四个主要的机器学习实践环节，包括线性回归、逻辑回归、前向神经网络以及BP（反向传播）神经网络。MATLAB作为一种强大的数学计算软件，是进行这些复杂算法实现的...

吴恩达机器学习笔记（八）：神经网络

brolyLoveEng的博客

03-09

1110

吴恩达机器学习笔记（八）:神经网络 前言：毫无疑问这是新的一章，算是机器学习的一步向上的台阶，也算深度学习的入门预备，所以说我们应该感谢那个一直在坚持学习的自己，并一鼓作气，一直走下去！ 神经网络基本结构 神经网络应该是计算机仿生的一个很好的实例。下面是一个人体神经的结构，用我们幼儿园就学过的生物知识，不难看出其包含一个神经元和很多突触，并且神经元之间通过突触传播信息（微观上可能是神经递质，但是这里剧只看宏观上的表现）把这个信息传播的方式抽象成图像，我们从特殊到一般，从单个的系统入手，可以很直观的看出

【吴恩达机器学习笔记】七、神经网络

Newin2020的博客

11-30

1457

📣专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。📚专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。

吴恩达《机器学习》 --- 神经网络

zombee0的博客

02-09

409

待到秋来九月八，我花开后百花杀。冲天香阵透长安，满城尽带黄金甲。不知怎的写到这篇文章的时候突然想起了这首诗，想想用这首诗来形容神经网络之于机器学习中一时无两的地位一点也不过分，特别是在当前这么一个情况下，真是“满城”都是神经网络啊！ 吴恩达在Coursera上《机器学习》这个课程中对于神经网络的内容讲的并不是很多，考虑到神经网络的计算复杂性sklearn对其的支持也不是很...

吴恩达机器学习 -- 神经网络学习

猪の成长日记

08-18

1023

9.1 非线性假设无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。 吴恩达老师举了一个例子：当我们使用的多次项式进行预测时，我们可以应用的很好。之前课程学习过，使用非线性的多项式项，能够建立更好的分类模型。假设有非常多的特征，例如大于100个变量，希望用这100个特征来构建一个非线性的多项式模型，结果将是数量非常惊人的特征组合，即便只采用两两特征...

吴恩达机器学习[9]-神经网络学习

踏归的博客

07-23

919

吴恩达机器学习

吴恩达机器学习：神经网络 | 多分类问题

机器学习笔记

04-16

4402

上一周我们学习了逻辑回归，并使用它解决了简单的 0/1 分类问题。这周我们首先尝试使用逻辑回归来解决多分类问题（手写字符识别）。通过这个问题了解到，当我们需要解决特征量很大的非线性分类问题时（比如计算机视觉问题），我们原本假设高次特征的方法会使得特征数异常庞大，从而引出新的方法 神经网络。点击课程视频你就能不间断地学习 Ng 的课程，关于课程作业的 Python 代码已经放...

吴恩达机器学习：神经网络学习和作业

weixin_44330777的博客

09-20

2160

（一）神经网络模型理解 1.1 模型这是一个三层神经网络，第一层为输入层，第二层为隐藏层，第三层为输出层。简单模型：线性回归模型逻辑回归模型优点是容易理解、可解释性较强，但是为了达到相对好的预测效果，可对原始特征进一步抽象，增加更多的特征项来弥补模型在处理非线性问题上的缺陷。 LR是一种广义的线性模型，为了提高LR对非线性问题的处理能力，要引入多项式特征，为了充分考虑特征关联，通常也会执行特征之间交叉组合。若仅考虑二次项，也就是只考虑特征两两组合，这样也会得到接近5000个组合特征，若再考虑

Machine Learning（吴恩达＜二＞）神经网络

qq_54809548的博客

11-12

4230

神经网络 非线性假设这个时候用线性回归是不能很好的去拟合，并且就算能拟合，表达式也会很复杂。计算机视觉中一个问题：假设你想用机器学习算法训练一个分类器，来检测图像，来判断图像是否是一辆汽车。对人来说，一看就知道；但对机器来说，是很艰难的一件事。因为，当人看一辆车时，计算机看到的是一个数据矩阵（或者说一个表示像素强度值得网络）告诉我们图片中每个像素点的亮度值，计算机需要通过这些像素亮度值矩阵告诉我们这些数值代表一个什么（汽车把手）当我们要训练一个汽车分类器时，我们需要提供一个带..

吴恩达机器学习第九章---神经网络学习

qq_31521965的博客

11-16

466

非线性假设我们在前面已经讨论过线性回归，逻辑回归，感觉大部分问题都可以使用它们来处理，那我们为什么还要提出神经网络那？实际上当特征值过多时，再使用线性回归或者逻辑回归会导致二次项的系数以n^2的速度增长，这样就会导致我们的假设函数中的项过多，多大。如上图一个典型的分类问题，我们可以看...