第638章

值来改调整权重和阈的的感知器来说，它对于一个给定权重和阈略。因此，我们变这个策略。可以通过值也是给定的，代表一种决策策

这里需要指出值thresh达：b=-threshold，这的一点是，为了表达关于阈的相反数来表它（b;ias）。里的b被称为偏置方便，一般用更old，

⼑𛈍tput=ut=0。2x2+w3x3+...+b>0，则输出ꡯ：如果w1算输出的规则就修改为1，否则输出outp这样，前面计

而权重w13。2=-2，则b=

显，只有当于0。而其它输入t+;(−2;)1ᬐ=−1，小时候，ou很明1。的都是output=的x1=xput=0，情况下，因为(−2)1;񻤥

！所以在实际个“与非门”情况下，这其实是一

组门是与非它可以通过门部件。这被称为与非lity)。式表达任何其它的合的方所有门部件中比较特殊的普适性(ga的一个，门teuniversa在计算机科学中，

，来表达。既恰当的权重和偏置参表达任意其它的门部件一个与非门然感知器能够通过设置，那么理论数上它也就能

体中的例子面三此，感知器也能够像前因从而组成一个计算机系统。一样，通过彼此连接

么值，这只不过没有什。是让事情复杂化了而已但这似乎现成的计算机了我们已经有得惊喜的，

个感知器能做的事将多个感知器连接起来。单限。要做复杂的决策，所以则是需要情很有

万个参数，如果手工一了了。有上万个，甚至数十参数，恐怕这项任务永远能会而实际中的网络可也完成不个一个地去配置这些

网络最有特神经方就在于这里。色的地而

让网络自己在训练中去学习，我们不在学习过程中为当的值。参数找到最恰，而是提供训练数据，所有是为网络指定所有参数

出是本（tra值的大体的运转思路什么，这诉网络当输入是某时候，我们期望的输训个e）。样是这样：我们告iningexampl数据，称为练样的每一份训练

学生某个抽象的这个个具体例子：过程相当于老师在教知识的时候，举一

一般来说，中络的训练的知识。这在神经网同样成立。我们举的例子越多，就越能表达那个抽象

可以向网络灌入成千上万个训练总结出那份隐藏络就自动从这些样本中我们样本，在背后的抽象的然后网知识。

取值。权重和偏置参数的在于网络的所有这份知识的体现，就

一个初始值，当入一个训练样本的时候一个实际输出值我们输设各个参数有。参数值计算出唯一的假，它会根据当前

际输出值和期望输可以试着调整某些参望的输出我们期想象一下近。出值尽量接们数的值，让实，这时候，我值不一样。这个值可能跟

完毕之后，网络参数也调整到了最值，结已经无限接近，束了。这时每一次的实际输出值和期望输出值这样训练过程就当所有的训练样本输入佳

给它输假它没见过的设入一个对数万个样本能够给出经确（或接近正确）的反数据概率给出我们预期的网络工作的原理。应了，那么再决策。这就是一个神正在训练过程中，网络已，它也应该有很大经

但的时候，要如何去参数呢望输出值产生差异里还有一个这出值和期？当实际输调整各个问题，在训练过程中，

个方法行得通吗：通过调整参数的方式获得期望的输出，这当然，在思考怎么做之前，也应该先弄清楚？

行。络来说，这个方法基实本不可对于感知器网际上，

的感知器网比如在上图有，那么最终的输出基络中，如果维持输入39个参数不变，我们改变某个参本完全不可预测。数的值

它或者从0变到能维持不变。这个都是二进制的，只能是1。1;（或从变到0），当然也：输入和输出问题的关键在于可፟0或者

，有输出）如果把（有输入不是连续的。整个网络看成一个函数，那么这个函数

moid就出现了sig连续的神经网，为了让训练成为可于是，这实数上保持神经元。因此能，我们需要一个输入和输出能够在络。

sigmoidneu基本结构（当用ron)是现代神经id神经元(不是唯一的结构网络经常使sigmo的似，然但有两个重要的知器的结构类）。它与感区别。

一，它0~1之间0和1，而可以是任意第的输入不再限制为的实数。

制为，它的输出也不再限加权求和再加上偏置数的计算作为参数，经过一个称为sigmoid函而是将各个输入的第二输出。0和1，

+w3x3+.出output=㰰⿑..+b，(z)，其中：㰰(z。w1x1+w2x2具体来说，假设z=;)=1/(1+e-那么输

数，这个输出值可保持在0~1之间滑、连续的函数。出也是0~1的实之间为下一层神经元的输入而且，它的输σ(z)是一个平以直接作。，

行微小的改变的时候络的输入和输出都训练成为可能。变为连续的了，也就是改变。这样就使得逐微小的d神经元组，在采用sigmoi步调整参数值的装神经网络之后，网我可以想象，它的输出也只是产生们对某个参数的值进说，当

试，michaelworksa也曾经提到�在历史上，很多n�ing》这本𘫼子。研究人员曾经也做过尝n的书《n书中ielse过这个例earnnddeepl

shallowrks)。而真正works)，那层的神经网络(这个神经网络只度神经网络(alnetwo的深有一层隐藏层，属于浅层隐藏层。么就会有多deepnerualneur�

方式进行设计元系统采用了和制造。神经左右脑半球的设计

d;函数㰰(z)的最右侧则是输出层(。t;l;a;元节点，分别代表识别是0，1，2，..出也肯;)，有1�制，每个输;结果o;u;t;p.，9。当然，受s定是0~1之间的数i;g;m;o��限;0;个神经

的值最大，最终的识别结果就是它。之后，哪个输出那我们得到一组输出值

：正确的那个数字输出出层之间也是全连接。式则是训练的时候，输出的形为1，其它输出为0，而在隐藏层和输

神经=25个，总共参数1ᒾ=。个网络共置参数有15+105=11935个415+数为：11910+2，偏11910个的权重参数有78

惊这是一数字。人的个非常

(本章完)