神经网络算法数学原理(神经网络原来是这样和数学挂钩的)
神经网络算法数学原理(神经网络原来是这样和数学挂钩的)我们来总结一下神经元和神经单元的不同点,如下表所示。请注意,式(2) 的输出y 的取值并不限于0 和1,对此并没有简单的解释。一定要用生物学来比喻的话,可以考虑神经单元的“兴奋度”“反应度”“活性度”。这里,u 是单位阶跃函数。我们将该式一般化,如下所示。这里的函数a 是建模者定义的函数,我们称为激活函数(activation function)。x1、x2、x3 是模型允许的任意数值,y 是函数a 能取到的任意数值。这个式(2) 就是今后所讲的神经网络的出发点。注:虽然式(2) 只考虑了3 个输入,但这是很容易推广的。另外,式(1) 使用的单位阶跃函数u(z) 在数学上也是激活函数的一种。
为了与生物学的神经元区分开来,我们把经过这样简化、抽象化的神经元称为神经单元(unit)。
将神经元的示意图抽象化之后,对于输出信号,我们也对其进行一般化。
上面我们提到,根据点火与否,生物学上的神经元的输出y 分别取值1 和0(下图)。
然而,如果除去“生物”这个条件,这个“0 和1 的限制”也应该是可以解除的。这时表示点火与否的下式(前边式(3))就需要修正。
这里,u 是单位阶跃函数。我们将该式一般化,如下所示。
这里的函数a 是建模者定义的函数,我们称为激活函数(activation function)。x1、x2、x3 是模型允许的任意数值,y 是函数a 能取到的任意数值。这个式(2) 就是今后所讲的神经网络的出发点。
注:虽然式(2) 只考虑了3 个输入,但这是很容易推广的。另外,式(1) 使用的单位阶跃函数u(z) 在数学上也是激活函数的一种。
请注意,式(2) 的输出y 的取值并不限于0 和1,对此并没有简单的解释。一定要用生物学来比喻的话,可以考虑神经单元的“兴奋度”“反应度”“活性度”。
我们来总结一下神经元和神经单元的不同点,如下表所示。
将神经元点火的式(1) 一般化为神经单元的激活函数式(2),要确认这样做是否有效,就要看实际做出的模型能否很好地解释现实的数据。实际上,式(2) 表示的模型在很多模式识别问题中取得了很好的效果。
四、神经单元的激活函数
Sigmoid 函数
神经单元激活函数的代表性例子是Sigmoid 函数σ(z),其定义如下所示。