【神经网络与深度学习】深度神经网络(DNN)

2024-03-11 02:44
文章标签 学习 深度 神经网络 dnn

本文主要是介绍【神经网络与深度学习】深度神经网络(DNN),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

概述

深度神经网络(Deep Neural Networks,DNN)是一种由多个隐藏层组成的神经网络模型。每个隐藏层由多个神经元组成,这些神经元通过权重和激活函数进行信息传递和计算。

深度神经网络通过多层的非线性变换,可以学习到更加抽象和复杂的特征表示。每一层都可以将输入数据转化为更高级的表示,从而更好地捕捉数据的特征和模式。通过不断叠加隐藏层,网络可以逐渐学习到更多的抽象特征,提高模型的表达能力。

深度神经网络在诸多领域中取得了重大突破和成功应用,如图像识别、语音识别、自然语言处理等。它能够处理大规模的数据,并具有强大的表示学习能力,能够自动提取和学习数据中的关键特征,从而实现更高水平的模式识别和预测能力。

然而,深度神经网络的训练也面临一些挑战,如梯度消失或梯度爆炸问题以及过拟合等。为了克服这些问题,出现了一些改进的深度神经网络结构和训练技巧,如卷积神经网络(CNN)、循环神经网络(RNN)、残差网络(ResNet)等。这些创新不断推动着深度神经网络的发展,并在各种领域中发挥着重要作用。

结构

神经网络层

首先通过图片来观察神经网络层的结构,第一张图是浅层神经网络,包括一个输入层,一个隐藏层和一个输出层。

  • 输入层:它所包含的神经元的个数等于单个实例所包含的特征数。只负责输入数据,没有激活函数。
  • 隐藏层:作用是提取特征,必须包含激活函数。
  • 输出层:它所包含的神经元的数目与标签的类别数有关,主要负责输出模型的预测值,它可以包含激活函数。

在这里插入图片描述

下图为深度神经网络,分为一个输出层,多个隐藏层和一个输出层。

在这里插入图片描述

神经元

神经元作为神经网络中最基本的单位,也有其独特的结构,如图所示,其中

  • x为输入,每一个连接上都有一个权重w,中间的节点为人工神经元节点;
  • δ是一个非线性变换,称为激活函数,目的是为了使人工神经元具有表示非线性关系的能力;
  • 参数b称之为偏置;output为人工神经元的输出。

在这里插入图片描述
公式如下:

在这里插入图片描述

激活函数

激活函数是神经网络中的一种非线性函数,作用于神经元的输入信号,将其转换为神经元的输出。激活函数在神经网络中起到了引入非线性变换的作用,增加了网络的表达能力。

激活函数的主要特点如下:

  • 非线性变换:激活函数对输入进行非线性变换,使得神经网络能够学习和表示非线性关系。如果没有激活函数,多个线性层堆叠起来的神经网络仍然只能表示线性关系。

  • 可微性:激活函数通常要求在大部分输入范围内是可导的,这是因为梯度下降等优化算法通常依赖于梯度的计算。可导的激活函数使得梯度可以传递并更新网络参数。

  • 非饱和性:一些激活函数具有非饱和性,即在输入较大或较小的情况下,能够保持较大的梯度,避免梯度消失问题。这有助于更好地传递误差信号和加速网络的收敛速度。

  • 映射范围:激活函数可以将输入信号映射到一定的输出范围内,如Sigmoid函数将输入映射到 (0, 1) 的范围内,而ReLU函数将负值映射为零。这有助于对输出进行限制或规范化。

常见的激活函数包括:

  1. Sigmoid函数:将输入映射到 (0, 1) 的范围内,具有平滑的非线性特性。
    在这里插入图片描述

  2. ReLU函数:在输入大于零时输出等于输入,小于零时输出为零,具有简单和高效的计算方式。
    在这里插入图片描述

  3. Tanh函数:将输入映射到 (-1, 1) 的范围内,形状与Sigmoid函数类似但对称。
    在这里插入图片描述

  4. Leaky ReLU函数:在输入小于零时引入一个小的斜率,避免了ReLU函数的部分问题。

  5. Softmax函数:用于多分类问题,在输出层将输入转化为概率分布。

三种激活函数的比较:
在这里插入图片描述

损失函数

损失函数是一个数学函数,用于衡量预测值与真实值之间的误差。它可以帮助我们确定模型的预测结果是否准确,并且可以用来评估模型的性能。

损失函数是深度学习中的一个关键因素,它可以帮助我们评估模型的性能并且用于调整模型的参数。选择合适的损失函数能够提高模型的性能,并有助于解决复杂的问题。

常见的损失函数:
在这里插入图片描述

内容来自视频:
深度神经网络的结构

这篇关于【神经网络与深度学习】深度神经网络(DNN)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/796356

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个