作者:小王子loving | 来源:互联网 | 2023-07-24 14:14
AI最核心------->深度学习------->与神经网络联系紧密
传统人工神经网络是深度学习的基础
Hadoop分布式文件系统的架构
Namenode存储着文件系统的索引和元数据
Datanode存储着具体的数据文件【数量可多达几千台】
大数据计算模型( Spark,Storm等)
最简单的人工神经网络----------> 一个神经元构成
组成要素
人工神经元基本结构
M-P模型 -----神经网络的基础
相关解释:
p是输入
w是p到神经元的权值(连接的强度)
b是神经元的偏置(偏置的权重)
1是神经元的固定偏置输入【模拟生物神经元的内在化学性质】
s是累加器【也叫输入函数,一般对p和偏置进行加权求和】
s输出是wp+b*1,s的输出通常成为净输入net
偏置1和b不是必须的
f是传输函数 a =f(net),也就模拟了生物神经元的轴突信号
w,b可以调整,f和s可以选择
传输函数类型 -----> 直接决定了神经元的输出值
感知机 ---------》 处理简单的线性分类问题
识别水果
1. 确定感知机的输入
p |
shape |
color |
apple |
1 |
1 |
banana |
-1 |
-1 |
2. 确定传输函数
过程:输入1,1 -------》 apple 输入-1,-1 -----》 banana
记忆逻辑与 ---------> 基于上述判断边界和权值向量的关系
学习算法
让感知机自己学习到合理的权重和配置
感知机的学习规则:
e表示误差 e = 期望输出 - 实际输出; e = t - a
同的算法进行处理,
直到没有误差,或 误差在可接受范围内