-
權重更新！
查看全部 -
numpy的庫 調用里面的函數 where（）
查看全部 -
算法的步驟總結，神經網絡的計算（第一層）
查看全部 -
閾值也要及時更新，因為x0電信號的值為1
所以閾值的更新為學習率乘（y-y’）+原來的閾值
w0為 - 閾值（負的閾值）
閾值= - w0
查看全部 -
這里的話 如果感知器和正確分類的一樣 那么權重就不用更新
學習率是模型的使用者自己設置的 根據用戶的經驗來調整學習率
查看全部 -
步調函數（也叫作激活函數），加入一個w0和x0后，現在變成判斷z值是不是大于0?
查看全部 -
測試：
import numpy as np
X = np.array([[1,2,3],[4,5,6]],dtype=int)
print(X)
輸出：
[[1 2 3]
[4 5 6]]
w_ = np.zeros(1+X.shape[1])
print(w_)? ?
print(X.shape[1])
輸出：
[0. 0. 0. 0.]
3
查看全部 -
使用python 3 ，需要寫np.zeros()
而不是np.zero()
查看全部 -
多維矩陣運算1）a?=?np.arange(4)輸出：array([0,?1,?2,?3])2）b?=?a**2輸出：array([0,?1,?4,?9])3）c?=?10*np.sin(a)輸出：array([?0.????????,??8.41470985,??9.09297427,??1.41120008])??4）n <?35輸出：array([?True,??True,??True,??True], dtype=bool)?,5）
A?=?np.array([[1,1],[0,1]])B?=?np.array([[2,0],[3,4]])C?=?A?*?B????# 元素點乘輸出：array([[2,?0],[0,?4]])6）D?=?A.dot(B)???# 矩陣乘法輸出：array([[5,?4],???????[3,?4]])7）E?=?np.dot(A,B)???# 矩陣乘法輸出：array([[5,?4],???????[3,?4]])查看全部 -
漸進下降法
損失函數的圖形，第一次見。有保存價值。
查看全部 -
?感知器只適合線性分類，應用很有限。
查看全部 -
?學習率，由學習者自行設置，根據經驗設置，
學習率不同，對神經網絡的訓練影響很大。
查看全部 -
感知器數據分類步驟：
1，初始化權重向量w
2，把樣本輸入感知器，得到分類結果
3，根據分類結果前向反饋更新權重
查看全部 -
課程的內容
查看全部 -
要構造的神經網絡，圖示
查看全部
舉報