深度学习入门初认识
source link: https://nicksxs.me/2023/04/30/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8%E5%88%9D%E8%AE%A4%E8%AF%86/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
深度学习入门初认识
对于深度学习只能说我是个门外汉，开始学习，不过很多还搞不懂，做个记录和分享，基于《深度学习入门：基于 Python 的理论与实现》，
第一章 Python 入门就不介绍了，不是重点，不过完全没有 Python 基础的可以看下，我之前算是学过一点点，
第二章我觉得入门的方式比较不错，从感知机入手，有一些顾名思义，感知一些状态（输入），来做出反应，简单的就是比如通电了，我的灯就亮起来了，并且往后就是延伸到了计算机的最基础组成，与或门，与门与或门是最基础的，配合非门进行组成，可以作为计算机基础单元ALU 的组成基础，而更复杂的也可以由此进行搭建，这是个比较通俗的解释，根据书中的定义，感知机是具有输入和输出的算法。给定一个输入后，将输出一个既定的值，单层的感知机无法实现更复杂的异或门，但是可以通过 2 层感知机来实现，也就是一个与非门，一个或门，作为第一层的感知机，他们的输出作为与门的输入，就可以成为一个异或门。理论上多层感知机可以表示计算机。
而后第三章引出了激活函数，也就是在前面的与或门和基础的感知机的基础上加上了输出的条件，前面与门或门都是最基础的 0,1 游戏，现在可以加上更复杂的判断条件，在输入的基础上配以权重，再加上偏置参数，表示被激活的容易程度，这种激活函数可以被称为阶跃函数，如果超过了一定的值就代表被激活，没有则不激活，但是实际在神经元中被使用的主要是用 sigmoid 函数，相比阶跃函数，sigmoid 函数是一个平滑的曲线，随着输入变化而连续变化，因为相对感知机，神经元需要的信号是连续的实数值信号，再往后则是对输出层的介绍，如果是回归问题，也就是根据输入预测一个（连续的）数值的问题，属于回归问题，可以用恒等函数，而对于分类问题，则使用 softmax 函数，这个函数的一个重要的点在于也是区分于简单的二元分类器，softmax 是将多个结果概率进行数值处理（归一化），也叫做归一化指数函数，对于不同的结果概率是将概率最大的进行放大，凸显其中最大的值并抑制远低于最大值的其他分量。使得其他概率值也能够被使用，但是减弱其份额权重。
- 本文作者： Nicksxs
- 本文链接： https://nicksxs.me/2023/04/30/深度学习入门初认识/
- 版权声明： 本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK