一、人工神经元模型与感知机

 

 

 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