---

💁 這應(yīng)該是本站最好的人工智能資料庫(kù)

👋 本文由 EasyAI 原創(chuàng)，首發(fā)于 CSDN🙉

?? 歡迎點(diǎn)贊 👍 收藏 ?留言 📝 如有錯(cuò)誤敬請(qǐng)指正！

😎未來很長(zhǎng)，值得我們?nèi)Ρ几案篮玫纳?

---

本章內(nèi)容

• 圖像是如何制作的？
  • 小章總結(jié)
• 神經(jīng)網(wǎng)絡(luò)輸入輸出
  • 小章總結(jié)

---

圖像是如何制作的？

我將更詳細(xì)地解釋 NN 中的運(yùn)動(dòng)。為此，首先，讓我們看看輸入到 NN 的圖像會(huì)發(fā)生什么。

為了清晰起見，考慮簡(jiǎn)單的圖像。

這是數(shù)字“0”的手寫圖像。圖像由 28x28 像素組成。每個(gè)像素都有從白色到黑色的顏色，當(dāng)它們聚集在一起時(shí)，就會(huì)創(chuàng)建一個(gè)圖像。

這些顏色在計(jì)算機(jī)中以數(shù)字形式表示。白色用“1”表示，黑色用“0”表示，隨著變淺逐漸接近“1”，隨著變深接近“0”。當(dāng)你收集這些數(shù)字時(shí)，你會(huì)得到一個(gè)單一的圖像。





這一次，讓我們考慮一個(gè)更簡(jiǎn)單的圖像。

上圖是一個(gè)圖像，其中 0、1、2、3、4、5、6、7、8、9 寫在 8x8 的空間中。如果這個(gè)數(shù)字用數(shù)字表示，它將是從“0.0”到“1.0”的數(shù)字集合。為了便于說明，字符部分為“0.9”，背景為“0.1”。

讓我們把這張圖片放到NN中。

---

到目前為止的總結(jié)

• 圖像顏色在計(jì)算機(jī)中以數(shù)字形式表示
• “1.0”代表白色，“0.0”代表黑色
• 收集數(shù)字以創(chuàng)建圖像

?? 在實(shí)踐中，白色 = 255 等，但為了便于說明，白色 = 1.0

---

神經(jīng)網(wǎng)絡(luò)輸入輸出

考慮將圖像輸入到神經(jīng)網(wǎng)絡(luò)時(shí)的運(yùn)動(dòng)。這一次，為了簡(jiǎn)單起見，我們將使它成為一個(gè)沒有中間層的 NN。

假設(shè)輸入有 64 個(gè)神經(jīng)元，輸出有 10 個(gè)神經(jīng)元。

輸入層的 64 個(gè)神經(jīng)元代表一個(gè)“8x8 圖像”。圖像的 64 個(gè)像素?cái)?shù)字進(jìn)入輸入層的 64 個(gè)神經(jīng)元。圖像中的數(shù)字是一一輸入的。

輸出層的 10 個(gè)神經(jīng)元代表“10 個(gè)數(shù)字 0 1 2 3 4 5 6 7 8 9”。這 10 個(gè)神經(jīng)元接收 NN 計(jì)算的“結(jié)果”。所有神經(jīng)元都包含結(jié)果值。

這10個(gè)神經(jīng)元中，數(shù)值最大的神經(jīng)元就是判別結(jié)果。例如，假設(shè)您得到了上面顯示的結(jié)果。對(duì)于這個(gè)結(jié)果，我們使用激活函數(shù)之一的“Softmax 函數(shù)”，以便更容易理解值的大小。

然后我們看到，具有最大值的神經(jīng)元是具有’5’值的神經(jīng)元。
這意味著NN已經(jīng)決定 “輸入圖像是5！” 這意味著NN已經(jīng)決定輸入的圖像是5。
它說：“我做了計(jì)算，但這個(gè)圖像是5。”





我們要?jiǎng)?chuàng)建的人工智能是一個(gè)神經(jīng)網(wǎng)絡(luò)，它可以確定圖像中寫入的數(shù)字 0 到 9 中的哪一個(gè)。例如，輸入“3”的圖像將導(dǎo)致“第 3 個(gè)輸出神經(jīng)元”中的最高值，輸入“7”的圖像將導(dǎo)致“第 7 個(gè)輸出神經(jīng)元”中的最高值，等等。目標(biāo)是創(chuàng)建一個(gè)可以進(jìn)行此類預(yù)測(cè)（計(jì)算）的神經(jīng)網(wǎng)絡(luò)。

---

到目前為止的總結(jié)

• 輸入層的 64 個(gè)神經(jīng)元代表一個(gè)“8x8 圖像”
• 輸出層的 10 個(gè)神經(jīng)元代表“10 個(gè)數(shù)字 0 1 2 3 4 5 6 7 8 9”
• 在輸出層的神經(jīng)元中，數(shù)值最大的神經(jīng)元就是判別結(jié)果。

---

在這一章中我們講述了圖像和神經(jīng)網(wǎng)絡(luò)的出入輸出，在下一章中我們會(huì)學(xué)習(xí) "神經(jīng)網(wǎng)絡(luò)中的運(yùn)動(dòng)"

敬請(qǐng)期待

---

🚀 更新歷史 🚀

日期更新內(nèi)容類型

2022/10/6	添加了關(guān)于神經(jīng)網(wǎng)絡(luò)的章節(jié)	機(jī)器學(xué)習(xí)
2022/10/7	更新了神經(jīng)網(wǎng)絡(luò)第二章節(jié)	機(jī)器學(xué)習(xí)

---

版權(quán)聲明：本文為CSDN博主「EasyAI_人工智能知識(shí)庫(kù)」的原創(chuàng)文章，
遵循CC 4.0 BY-SA版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接及本聲明

總結(jié)

以上是生活随笔為你收集整理的【图解深度学习】【章节：1-1.2 | 神经网络输入输出】连小学生都能看懂的深度学习基础总结的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。