人工神經網絡是一種經典的機器學習模型，隨著深度學習的發(fā)展神經網絡模型日益完善.
聯(lián)想大家熟悉的回歸問題，神經網絡模型實際上是根據(jù)訓練樣本創(chuàng)造出一個多維輸入多維輸出的函數(shù)，并使用該函數(shù)進行預測，網絡的訓練過程即為調節(jié)該函數(shù)參數(shù)提高預測精度的過程.神經網絡要解決的問題與最小二乘法回歸解決的問題并無根本性區(qū)別.
感知機(Perceptron)是一個簡單的線性二分類器，它保存著輸入權重，根據(jù)輸入和內置的函數(shù)計算輸出.人工神經網絡中的單個神經元即是感知機.
在前饋神經網絡的預測過程中，數(shù)據(jù)流從輸入到輸出單向流動，不存在循環(huán)和返回的通道.
目前大多數(shù)神經網絡模型都屬于前饋神經網絡，在下文中我們將詳細討論前饋過程.
多層感知機(MultiLayerPerceptron，MLP)是由多個感知機層全連接組成的前饋神經網絡，這種模型在非線性問題中表現(xiàn)出色.
所謂全連接是指層A上任一神經元與臨近層B上的任意神經元之間都存在連接.
反向傳播(BackPropagation，BP)是誤差反向傳播的簡稱，這是一種用來訓練人工神經網絡的常見算法，通常與最優(yōu)化方法(如梯度下降法)結合使用.
神經網絡模型在結構上屬于MLP，因為采用BP算法進行訓練，人們也稱其為BP神經網絡.
以上內容為大家介紹了Python增強，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。
京公網安備 11010802030320號