前馈神经网络基础教程

本文主要是介绍前馈神经网络基础教程，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！

@(深度学习)[神经网络]
本文主要参考链接
#1. 前馈神经网络基础教程
##1.1. 概述
以监督学习为例，假设我们有训练样本集$(x{(}^i),y{(}^i))$，那么神经网络算法能够提供一种负责且非线性的假设模型$h_{W,b}(x)$，它具有参数$W,b$，可以通过调整此参数来拟合我们的数据。

为了描述神经网络，我们先从最简单的神经网络讲起，这个神经网络仅由一个“神经元”构成，以下即是这个“神经元”的图示：

这个“神经元”是一个以$x_1,x_2,x_3$及截距+1为输入值的运算单元，其输出为$h_{W,b}(x)=f(W^{T}X)=f({\sum }_{i=1}^3{W}_i{x}_i+b)$，其中函数$f:\mathcal{R}⟼\mathcal{R}$被称为激活函数。注意，有的教程中用$x_0=1$来表示截距+1。在本教程中，我们选用sigmoid函数作为激活函数$f(\cdot )$：
$$f(z)=\frac{1}{1+exp(-z)}$$
可以看出，这个单一“神经元”的输入输出映射关系其实就是一个逻辑回归(logistic regression)。
##1.2. 神经网络模型
所谓神经网络就是将许多个单一“神经元”联结在一起，这样，一个“神经元”的输出就可以是另一个“神经元”的输入。下图是一个简单的神经网络例子：

我们使用圆圈来表示神经网络的输入，标上“+1”的圆圈被称为偏置节点，也就是截距项。神经网络最左边的一层叫做输入层，最右边的一层叫做输出层（在本例中，输出层只有一个节点）。中间所有节点组成的一层叫做隐藏层，因为我们不能在训练样本集中观测到它们的值。同时可以看到，以上神经网络的例子中有3个输入单元（偏置单元不计在内），3个隐藏单元以及1个输出单元。

我们用$n_l$来表示网络的层数，本例中$n_l=3$，记第$l$层记为$L_l$，于是$L_1$是输入层，$L_{n_l}$是输出层。本例神经网络有参数$(W,b)=(W^{(1)},b^{(1)},W^{(2)},b^{(2)})$，其中$W_{ij}^{(l)}$（下面的式子中用到）是第$l$层第$j$单元与第$l+1$层第$i$单元之间的联接参数（连接线上的权重，从$j$到$i$），$b_i^{(l)}$是第$l+1$层第$i$单元的偏置项。因此在本例中，$W^{(1)}\in {\mathcal{R}}^{3\times 3}$，$W^{(2)}\in {\mathcal{R}}^{1\times 3}$。注意，偏置单元没有输入，是因为他们总是输出+1。同时，我们用$s_l$表示第$l$层的结点数（不包括偏置单元）。

我们用$a_i^{(l)}$表示第$l$层第$i$单元的激活值的（输出值）。当$l=1$时，$a_i^{(l)}=x_i$，也就是输入层的第$i$个输入值（输入值的第$i$个特征）。对于给定参数集合$W,b$，我们的神经网络就可以按照$h_{W,b}(x)$来计算输出结果。本例中神经网络的计算步骤如下：
\begin{align}
a_1^{{(2)}&=f(W_{11}}{(1)}x_1+W_{12}^{{(1)}x_2+W_{13}}{(1)}x_3+b_1^{(1)})\
a_2^{{(2)}&=f(W_{21}}{(1)}x_1+W_{22}^{{(1)}x_2+W_{23}}{(1)}x_3+b_2^{(1)})\
a_3^{{(2)}&=f(W_{31}}{(1)}x_1+W_{32}^{{(1)}x_2+W_{33}}{(1)}x_3+b_3^{(1)})\
h_{W,b}(x)&=a_1^{{(3)}=f(W_{11}}{(2)}a_1^{(2)}+W_{12}{(2)}a_2^{(2)}+W_{13}{(2)}a_3^{(2)}+b_1{(2)})
\end{align}
我们用$z_i^{(l)}$表示第$l$层第$i$单元输入加权和（包括偏置单元），比如，$z_i^{(2)}={\sum }_{j=1}^n{W}_{ij}^{(1)}{x}_j+b_i^{(1)}$，$a_i^{(2)}=f(z_i^{(2)})$。

我们将激活函数$f(\cdot )$扩展为向量形式：$f([z_1,z_2,z_3])=[f(z_1),f(z_2),f(z_3)]$，那么，上面的等式可以更简洁地表示为：
\begin{align}
z^{(2)}&=W{(1)}x+b^{(1)}\
a^{(2)}&=f(z{(2)})\
z^{(3)}&=W{(2)}a^{(2)}+b{(2)}\
h_{W,b}(x)&=a^{(3)}=f(z{(3)})\
\end{align}
我们将上面的计算步骤叫做前向传播。给定第$l$层的激活值$a^{(l)}$后，第$l+1$层的激活值$a^{(l+1)}$就可以按照下面步骤计算得到：
\begin{align}
z^{(l+1)}&=W{(l)}a^{(l)}+b{(l)}\
a^{(l+1)}&=f(z{(l+1)})\
\end{align}
将参数矩阵化，使用矩阵-向量运算方式，我们就可以利用线性代数的优势对神经网络进行快速求解。
神经网络也可以由多个隐藏层和多个输出单元，例如下图所示：

像上图这样的网络，叫做前馈神经网络，这种联接图没有闭环或回路。

这篇关于前馈神经网络基础教程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！

---