Python深度学习 - 基础知识

在本章中，我们将研究Python深度学习的基础知识.

深度学习模型/算法

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.

用于计算输出的伪代码

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)