作者： 明天依舊可好

原文鏈接：https://mtyjkh.blog.csdn.net/article/details/111284220

---

人工神經網絡（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。（來自：百度百科）

神經網絡包括輸入層、輸出層和中間層（也叫隱藏層）。下圖是一個三層神經網絡，輸入層有3個輸入單元，隱藏層有4個單元，輸出層有2個單元。

神經網絡結構圖

注意：

• 1.設計一個神經網絡時，輸入層與輸出層的節點數往往是固定的，中間層則可以自由指定；
• 2.神經網絡結構圖中的拓撲與箭頭代表著預測過程時數據的流向，跟訓練時的數據流有一定的區別；
• 3.結構圖里的關鍵不是圓圈（代表“神經元”），而是連接線（代表“神經元”之間的連接）。每個連接線對應一個不同的權重（其值稱為權值），這是需要訓練得到的。

神經元

神經元模型是一個包含輸入，輸出與計算功能的模型。

結構：

函數表達式：

$$n=f(wp+b)$$

• w：為權值
• p：為輸入
• b：偏置值

一個神經網絡的訓練算法就是讓權重的值調整到最佳，以使得整個網絡的預測效果最好。

傳輸函數

也稱激活函數，可以直接當數學里面的函數來理解

多輸入神經元

結構：

函數表達式：
$$n=w_{1,1}{p}_1+w_{1,2}{p}_2+...+w_{1,R}{p}_R+b$$
改寫成矩陣形式
$$n=wp+b$$
進而
$$a=f(wp+b)$$

網絡結構

單層神經網絡

結構：


函數表達式：

$$n=wp+b$$

$$a=f(wp+b)$$
$w$為：
$$w=?\begin{array}{cccc}{w}_{1,1}& w_{1,2}& ?& w_{1,R}\\ w_{2,1}& w_{2,2}& ?& w_{2,R}\\ ?& ?& ?& ?\\ w_{S,1}& w_{S,1}& ?& w_{S,R}\end{array}?$$

• S：神經元個數
• R：輸入值個數

單層神經網絡

結構：

回復神經網絡

結構：

---

參考書籍：《神經網絡設計》第二版
參考文章：https://www.cnblogs.com/subconscious/p/5058741.html#second

總結

以上是生活随笔為你收集整理的神经元模型及网络结构的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。