有多个来源,但它们的解释水平太高,我无法真正理解。
这是我对这个模型如何运作的了解;
我们使用权重 * 值在前一层的节点中前馈信息。我们在这里不使用 sigmoid 函数。这是因为如果我们在这里使用 sigmoid 函数,任何隐藏层都会强制该值为正值。如果它始终为正,则后续值永远不会小于 0.5。
当我们前馈到输出后,我们就在输出上使用 sigmoid 函数。
所以总的来说,我们只在输出层值上使用 sigmoid 函数。
我会尝试包含一个希望不会很糟糕的图表
我用自己的代码测试过,显然它不应该是每个值和权重的sigmoid函数,但我不确定它是否只是权重*值的总和
最佳答案
所以基本上你的模型有一组特征。这些特征是独立变量,将负责产生输出。所以特征是输入,预测值是输出。这确实是一个功能。
It is easy to understand neural networks if we study them in terms of functions.
首先将特征向量与权重向量相乘。也就是说,必须生成两个向量的点积。
如果您只有一个节点(神经元),则点积是一个标量。在产品上应用 sigmoid 函数。输出是最终的预测。
整个模型可以表示为单个复合函数,例如,
y = sigmoid( dot( w , x ) )
如果我们将 NN 视为函数,那么理解 NN 的反向传播(梯度下降)也会产生一些直觉。 在上面的函数中,
sigmoid
:将 sigmoid 激活函数应用于参数。dot
:返回两个向量的点积。
此外,尽可能使用矢量符号。它使您免于与求和相关的困惑。
希望对您有所帮助。
关于algorithm - 我如何直观地解释 S 形神经网络模型?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57032433/