我们通过结合两个线性模型,并使用某些方程、权重、偏差和 Sigmoid 函数,找到了一个非线性模型。让我们更好地说明并理解神经网络深度神经网络的架构。

02-1.png

为了更好地理解和说明,让我们看一个例子。

假设有一个线性模型,其线表示为 -4x1-x2+12。我们可以用以下感知机表示它。

02-2.png

输入层中的权重为 -4,-1,12 代表线性模型中的方程,输入通过此方程来获取它们在正区域的概率。再取另一个模型,其线表示为 -x1-x2+3。因此,我们可以通过以下感知机表示它:

02-3.png

现在,我们要做的是,我们将这两个感知机组合起来,通过对两个模型乘以一组权重和添加偏差,然后应用 Sigmoid 函数,得到非线性感知机或模型,如下所示:

02-4.png

在我们之前的例子中,假设我们有两个输入 x1 和 x2。这些输入代表坐标 (2, 2) 上的一个点,我们想要得到该点在正区域和非线性模型中的概率。这些坐标 (2, 2) 被传递到第一个输入层,该层包含两个线性模型。

02-5.png

两个输入在第一个线性模型中被处理,通过以模型的权重和偏差为基础的线性组合,然后取 Sigmoid 值,得到点的概率为 0.88。

02-6.png

同样,我们将在第二个模型中找到该点在正区域的概率,我们发现该点的概率为 0.64。

02-7.png

当我们结合两个模型时,我们将概率相加。我们将以权重 1.5、1 和偏差值 0.5 的线性组合,将第一个模型乘以第一个权重,第二个模型乘以第二个权重,并添加所有内容和偏差,以获得得分,然后我们将取两个模型的线性组合的 Sigmoid 值,得到一个新模型。我们将对我们的点做同样的事情,这将其转换为在正区域和非线性模型中概率为 0.92。

02-8.png

这是深度神经网络的前馈过程。为了提高效率,我们可以重新排列这个神经网络的表示方式。我们将点表示为两个独立的 x1 和 x2 输入节点,而是将其表示为一个包含 x1 和 x2 节点的对。

02-9.png

这说明了神经网络的独特架构。因此,存在一个输入层,包含输入,第二层是一组线性模型,最后一层是输出层,由我们的两个线性模型组合而成的非线性模型的结果。

02-10.png

深度神经网络

我们将使用模型和隐藏层将它们组合起来,创建最佳分类我们数据的非线性模型。有时我们的数据太复杂,为了对其进行分类,我们将不得不组合非线性模型以创建更复杂的非线性模型。

我们可以多次进行此操作,并添加更多隐藏层,获得高度复杂的模型,如下所示:

02-11.png

对这类数据进行分类更加复杂。它需要许多隐藏层的模型相互结合,并带有一组权重,以获得完美分类这些数据的模型。

之后,我们可以通过前馈操作产生一些输出。输入必须通过神经网络的整个深度,然后才能产生输出。这只是一个多层感知机。在深度神经网络中,我们的数据趋势不是直截了当的,所以这个非线性边界是唯一能够正确分类一组非常复杂数据的准确模型。

需要许多隐藏层来获得这个非线性边界,每一层都包含模型,这些模型相互结合,产生这个非常复杂的边界,对我们的数据进行分类。

深度神经网络可以通过更复杂的函数来训练,以分类更复杂的数据。

标签: Pytorch, Pytorch教程, Pytorch安装, Pytorch入门, Pytorch下载, Pytorch指南, Pytorch编程, Pytorch入门教程, Pytorch初级教程, Pytorch进阶, Pytorch高级教程, Pytorch学习, Pytorch库