在本章中,我们将研究Python深度学习的基础知识.
现在让我们了解一下不同的深度学习模型/算法.
深度学习中的一些流行模型如下&&;
卷积神经网络
递归神经网络
深层信念网络
生成性对抗网络
自动编码器等等
输入和输出表示为向量或张量.例如,神经网络可以具有输入,其中图像中的各个像素RGB值被表示为向量.
位于输入层和输出层之间的神经元层被称为隐藏的图层.当神经网络试图解决问题时,这就是大多数工作发生的地方.仔细研究隐藏层可以揭示网络学习从数据中提取的特征.
通过选择要连接的神经元来形成不同的神经网络架构.下一层中的其他神经元.
以下是用于计算前向传播神经网络输出的伪代码 :
#node []:=拓扑排序节点数组
#从a到b的边缘表示a在b的左边
#如果神经网络有R输入和S输出,
#然后第一个R节点是输入节点,最后S个节点是输出节点.
#incoming [x]:=连接到节点x的节点
#weight [x]:=传入边缘的权重为x
对于每个神经元x,从左到右依次减去;
如果x< = R:什么都不做#是输入否de
输入[x] = [输出[i] for i in incoming [x]]
weighted_sum = dot_product(weights [x],输入[x])
输出[x] = Activation_function(weighted_sum)