1. 背景
1.1 以人脑中的神经网络启发,
2. 多层向前神经网络(Multilayer Feed-Forward Neural Network)
2.1 Backpropagation 被使用在多层向前神经网络上
2.2 多层向前神经网络由以下部分组成:
输入层(input layer),隐藏层(hidden layers):隐藏层可以有一层或多层,输出层(output layers)
2.3 每层有单元(units)组成
2.4 输入层(input layer)是由训练集的实例特征向量传入
2.5 经过连接结点的权重(weight,用wij表示)传入下一层,一层的输出是下一层的输入。 (将输入的数据与权重相乘后得出的结果传入下一层)
2.6 隐藏层的个数可以是任意的,输入层有一层,输出层有一层,输出层有一层。
2.7 每个单元(unit)也可以被称作神经结点,根据生物学来源定义。
2.8 以上称为2层的神经网络(输入层不算)。
2.8 一层中加权的求和,然后根据非线性方程转化输出。
2.9 作为多层向前神经网络,理论上,如果足够多的隐藏层(hidden layers)和足够大的训练集,可以模拟出任何方程。
3. 设计神经网络结构
3.1 使用神经网络训练数据之前,必须确定神经网络的层数,以及每层单元的个数。
3.2 特征向量在被传入输入层时通常被先标准化(normalize)到0和1之间(为了加速学习过程)
3.3 离散型变量被编码成每一个输入单元对应一个特征值可能赋的值
比如:特征值A可能去3个值(a0,a1,a2)。可以使用3个输入单元来代表A。
如果A=a0,那么代表a0的单元值就取1,其他取0;
如果A=a1,那么代表a1的单元值就去1,其他取0,以此类推
3.4 神经网络既可以用来做分类(classification)