MLP(multi-layer perceptron)

• 神经元neuron（基本计算单元）

x_i为输入，w_i为各项输入的权重，b为偏差，f为激活函数，h为输出。输入的加权和，经过激活函数映射为输出。

• 参数的物理意义：权重（各输入的重要程度）偏差（该神经元被激活的难易程度≈阈值）
• 激活函数：常见有sigmoid函数，tanh(双曲正切)函数，线性整流函数ReLu

sigmoid函数    将加权和缩放到[0,1]，微分形式为  

tanh函数   将加权和缩放到[-1,1] ，微分形式为

线性整流函数   分段函数，实际神经网络中更好用。梯度=0（z<0）,t梯度=1（z>0）

注：分类问题：使用sigmoid函数，label y=0 or 1， 使用tanh函数， label y = -1 or 1.

回归问题：[0,1];[-1,1]

• 神经网络模型

神经网络本质是多个神经元连接组成的层级结构，上一层的输出为下一层的输入。

基本概念：输入层，输出层，隐藏层略。

基本表示符号略。

前向传播：上一层的输出作为本层的输入，依次逐层向后传播。

• 代价函数（cost function）

某个样本的代价：

所有样本的代价：

第一项为所有样本代价的平均值，第二项为权重正则化项regularization(权重衰减项weight decay)，避免权重太大引起过拟合.

λ为权重衰减参数。

• 梯度下降法最小化代价函数

• 初始化参数：正态分布初始化参数（如果全部初始化为0，会导致每层的神经元学到相同的函数。）
• 梯度下降法：用优化算法（eg:梯度下降法）最小化代价函数，其中最重要的步骤计算梯度。

• 反向传播算法计算梯度

来自为知笔记(Wiz)

原文地址：https://www.cnblogs.com/ceciliaxu/p/12056940.html