本文主要是介绍读书笔记--神经网络与深度学习（三）前馈神经网络，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！
4 前馈神经网络
从机器学习的角度看，神经网络一般可以看做是一个非线性模型。
4.1 神经元
净输入z 在经过一个非线性函数f(·)后，得到神经元的活性值（Activation）a，a = f(z), 其中非线性函数f(·)称为激活函数（Activation Function）。
激活函数 激活函数在神经元中非常重要的。为了增强网络的表示能力和学习能力，激活函数需要具备以下几点性质：
- 连续并可导（允许少数点上不可导）的非线性函数。可导的激活函数可以直接利用数值优化的方法来学习网络参数。
- 激活函数及其导函数要尽可能的简单，有利于提高网络计算效率。
- 激活函数的导函数的值域要在一个合适的区间内，不能太大也不能太小，否则会影响训练的效率和稳定性。
4.1.1 Sigmoid型激活函数
Sigmoid型函数是指一类S型曲线函数,为两端饱和函数.常用的Sigmoid型 函数有Logistic函数和Tanh函数。
对于函数f(x)，若x → −∞时，其导数f′(x) → 0，则称其为左饱和。若x → +∞时，其导数f′(x) → 0，则称其为右饱和。当同时满足左、右饱和时，就称为两端饱和。
4.1.2 修正线性单元
修正线性单元（Rectified Linear Unit，ReLU），也叫rectifier函数，是目前深层神经网络中经常使用的激活函数。
4.1.3 Swish函数
Swish 函数是一种自门控（Self-Gated）激活函数。swish(x) = xσ(βx), 其中σ(·)为Logistic函数，β 为可学习的参数或一个固定超参数。σ(·) ∈ (0, 1)可以看作是一种软性的门控机制。当σ(βx)接近于1时，门处于“开”状态，激活函数的输出近似于x本身；当σ(βx)接近于0时，门的状态为“关”，激活函数的输出近似于0。
4.1.4 Maxout单元
输入是上一层神经元的全部原始输入，是一个向量x = [x1; x2; · · · , xd]。
4.2 网络结构
4.2.1 前馈网络
前馈网络包括全连接前馈网络[本章中的第4.3节] 和卷积神经网络[第5章]等。
前馈网络可以看作一个函数，通过简单非线性函数的多次复合，实现输入空间到输出空间的复杂映射。这种网络结构简单，易于实现
4.2.2 记忆网络
记忆网络，也称为反馈网络，网络中的神经元不但可以接收其它神经元的信息，也可以接收自己的历史信息。和前馈网络相比，记忆网络中的神经元具有记忆功能，在不同的时刻具有不同的状态。记忆神经网络中的信息传播可以是单向或双向传递，因此可用一个有向循环图或无向图来表示。记忆网络包括循环神经网络[第6章]，Hopfield网络[第6章]、玻尔兹曼机[第12章]等。
为了增强记忆网络的记忆容量，可以引入外部记忆单元和读写机制，用来保存一些网络的中间状态，成为记忆增强神经网络。
4.2.3 图网络
前馈网络和反馈网络难以处理图结构的数据。
图网络是前馈网络和记忆网络的泛化，包含很多事实现方式，如图卷积网路，消息传递网络等。
4.3 前馈神经网络
前馈神经网络FNN，是最早发明的简单人工神经网络。也称为多层感知器。（实际上是多层的logistic回归模型）
前馈神经网络通过逐层的信息传递， 最后得到网络最后的输出。
4.3.1 通用近似定理
前馈神经网络具有很强的拟合能力，常见的连续非线性函数都可以用前馈网络来近似。
根据通用近似定理，对于具有线性输出层和至少一个使用“挤压”性质的激活函数的隐藏层组成的前馈神经网络，只要其隐藏层神经元的数量足够，它可以以任意的精度来近似任何从一个定义在实数空间 Rd 中的有界闭集函数 。所谓“挤压”性质的函数是指像 Sigmoid 函数的有界函数，但神经网络的通用近似性质也被证明对于其它类型的激活函数，比如ReLU，也都是适用的。
4.3.2 应用到机器学习
依据通用近似定理，神经网络在某种程度上可以作为一个“万能”函数来使用，用来进行复杂的特征转换或者逼近一个负责的条件分布。
4.3.3 参数学习
梯度下降法需要计算损失函数对参数的偏导数，如果通过链式法则逐一对每个参数进行求偏导比较低效。在神经网络的训练中经常使用反向传播算法来高效地计算梯度。
4.4 反向传播算法
第l层的误差项可以通过第l + 1层的误差项计算得到，这就是误差的反向传播。
反向传播算法的含义是：第l 层的一个神经元的误差项（或敏感性）是所有与该神经元相连的第l + 1层的神经元的误差项的权重和。然后，再乘上该神经元激活函数的梯度。在计算出每一层的误差项之后，我们就可以得到每一层参数的梯度。
因此，基于误差反向传播算法（Backpropagation，BP）的前馈神经网络训练过程可以
分为以下三步：
- 前馈计算每一层的净输入z(l) 和激活值a(l)，直到最后一层；
- 反向传播计算每一层的误差项δ(l)；
- 计算每一层参数的偏导数，并更新参数。
4.5 自动梯度计算
目前，几乎所有的主流深度学习框架都包含了自动梯度计算的功能，即我们可以只考虑网络结构并用代码实现，其梯度可以自动进行计算，无需人工干预，这样可以大幅提高开发效率。
4.6 优化问题
神经网络的参数学习比线性模型要更加困难，主要原因有两点：（1）非凸优化问题和（2）梯度消失问题。
4.7 小结
本章介绍的前馈神经网络是一种类型最简单的网络，相邻两层的神经元之间为全连接关系，也称为全连接神经网络（Fully Connected Neural Network，FCNN）或多层感知器。
虽然当时前馈神经网络的参数学习依然有很多难点，但其作为一种连接主义的典型模型，标志人工智能从高度符号化的知识期向低符号化的学习期开始转变。
这篇关于读书笔记--神经网络与深度学习（三）前馈神经网络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！
