《Python深度学习实战:基于TensorFlow和Keras的聊天机器人》 —3 多层感知机
第3章
多层感知机
在开始学习多层感知机之前,你需要对人工神经网络有一个概览。这也是本章开始的内容。
3.1 人工神经网络
人工神经网络(ANN)作为一个计算网络(一个具有节点且节点间具有内部连接的系统),深受人脑中复杂的生物神经网络的启发(见图3-1)。ANN中创建的节点意在通过编程使其表现得和真实的神经元一样,因此它们被称作人工神经元。图3-1展示了组成人工神经网络的节点(人工神经元)所构成的网络结构。
层数和每层的神经元或者节点数是人工神经网络的主要结构组成。刚开始时,权重值(代表内部连接)和偏置量不够好,无法完成决策(分类等)。这就像是婴儿的大脑还没有先前的经验。婴儿从经验中学习,因此能够成为一个好的决策者(分类器)。经验或者说是数据(带标记的)帮助大脑的神经网络调节(神经元的)权重值和偏置量。人工神经网络也经历同样的过程。权重值在每个迭代过程中都会被调整以创建一个更好的分类器。因为手动地对数以千计的神经元调节并获得其正确的权重值是非常耗时的,你需要使用一些算法来完成这些工作。
图3-1 人工神经网络
调整权重值的过程就被称为学习或者训练。这也是人类日常中所做的事情。我们尝试让计算机能表现得像人一样。
让我们开始探索最简单的ANN模型吧!
一个典型的神经网络包含了大量的人工神经元(称为单元),排布在一系列不同的层中:输入层、隐层以及输出层(图3-2)。
图3-2 神经网络
神经网络是连接在一起的,这意味着隐层中的神经元和其前的输入层以及其后的输出层中的每个神经元都是全连接的。一个神经网络通过调整其每层中的权重值和偏置量来迭代地学习,从而获得最优的结果。
- 点赞
- 收藏
- 关注作者
评论(0)