神經網絡原理的可視化

前言

神經網絡具備很強的學習能力和自適應自組織能力，並且隨着隱含層的數量增大學習能力也將變得更強，所以目前不少場景都使用神經網絡，好比深度學習，咱們更熟悉的就是阿法狗。

關於神經網絡

神經網絡已經有不少變種，好比卷積神經網絡、循環神經網絡等等。

感知器是一種最基礎的神經網絡，他只有輸入層和輸出層，感知器只能處理線性可分問題，而對於非線性問題就須要多層神經網絡。通常以下圖所示，有多個層，好比左邊的包含輸入層、隱層和輸出層，而右邊的則包含了兩個隱層。每層的神經元與下一神經元全互連，同層之間的神經元不會相連，輸入層用於接收輸入，通過隱層加工後再到輸出層加工並輸出。

如何訓練多層網絡

對於多層網絡咱們經常使用偏差逆傳播算法來訓練，而咱們最多見的BP神經網絡指的是使用偏差逆傳播來訓練的多層前饋神經網絡。除此以外其餘類型的神經網絡也可能會用偏差逆傳播算法來訓練。

總的來講，偏差逆傳播是使用梯度降低法，經過反向傳播不斷調整神經網絡中各個權重從而使輸出層的偏差平方和最小。

可視化實驗

TensorFlow 提供了一個試驗演示平臺可讓咱們經過可視化更好理解神經網絡，地址是 https://playground.tensorflow.org 。

下面兩種較簡單的分類模型，圖中能夠看到經過訓練後能將兩個類別區分開。輸入特徵咱們選擇x1和x2，共有兩層隱含層，分別有4個神經元和2個神經元。

若是咱們的數據集是比較複雜的，則須要更多隱含層，好比下面，

這個過程當中還能夠看到每層每一個神經元的輸出輸入，另外還能夠本身控制一步步訓練，經過這個實驗平臺能幫助初學者理解神經網絡的原理及過程，能夠玩玩。

-------------推薦閱讀------------

個人2017文章彙總——機器學習篇

個人2017文章彙總——Java及中間件

個人2017文章彙總——深度學習篇

個人2017文章彙總——JDK源碼篇

個人2017文章彙總——天然語言處理篇

個人2017文章彙總——Java併發篇

---

跟我交流，向我提問：

公衆號的菜單已分爲「讀書總結」、「分佈式」、「機器學習」、「深度學習」、「NLP」、「Java深度」、「Java併發核心」、「JDK源碼」、「Tomcat內核」等，可能有一款適合你的胃口。

爲何寫《Tomcat內核設計剖析》

歡迎關注：