機(jī)器學(xué)習(xí)第六天神經(jīng)網(wǎng)絡(luò)與圖像識(shí)別畫圖

1、神經(jīng)網(wǎng)絡(luò)收集溫度信息軸突末梢溫度太高：溫度低：在神經(jīng)元當(dāng)中進(jìn)傳遞軸突75%心中有一個(gè)默認(rèn)值細(xì)胞核溫度w1x2+w2x2+w3x3+w4x4+ + n = yx2(0,1)(1,1)感知機(jī)是解決分類問題>threshold<=threshold10x1w1w2(1,0)(0,0)x2sum閾值x1與或問題：所有的輸入為1，輸出1w1=1,w2=1輸出= 2， 閾值1.5或：只要有一個(gè)為1，輸出就為1w1w2 w1w2sumx1閾值異或問題：相同為0， 同1x2sum單個(gè)感知機(jī)解決的問題，可以增加激活函數(shù)邏輯回歸：sigmoid神經(jīng)網(wǎng)絡(luò)解釋性，分類過程無法解釋辛頓同的結(jié)構(gòu)解決同的問題感

2、知機(jī)>神經(jīng)元多個(gè)-> 神經(jīng)網(wǎng)絡(luò)隱層輸出w1w2 w1w2sumx1x2sumx3x4x5圖片分類邏輯回歸：sigmoid>某一個(gè)類別的概率二分類貓神經(jīng)網(wǎng)絡(luò)：多分類某一個(gè)樣->得出屬于全部類別的每一個(gè)概率狗人softmax有多少類別，輸出就是多少個(gè)羊算法線性回歸邏輯回歸神經(jīng)網(wǎng)絡(luò)策均方誤差對(duì)數(shù)似然損失交叉熵?fù)p失優(yōu)化梯度下降梯度下降梯度下降二分類反向算法10個(gè)類別樣本 -> 1one_hot10個(gè)類別28*28= 784全連接層None, 10輸出1 120None, 10x1 x2 x3.x_784一個(gè)樣本就有一個(gè)交叉熵?fù)p失0100000000輸出2300.00.70

3、.1.0.02softmax784*10None, 784120000輸出1050求所有樣本的損失，然后求平均損失10單層（全連接層）實(shí)現(xiàn)手寫數(shù)字識(shí)別特征值None,784目標(biāo)值None, 101、定義數(shù)據(jù)占位符特征值None,784目標(biāo)值None, 102、建立模型隨機(jī)初始化權(quán)重和偏置w784, 10b = 10y_predict = tf.matmul(x, w) + b3、計(jì)算損失loss 平均樣本損失4、梯度下降優(yōu)化步數(shù)20000.1準(zhǔn)確率卷積神經(jīng)網(wǎng)絡(luò)奇數(shù)零填充卷積層：定義過濾（觀察窗口）大小， 步長(zhǎng)(移動(dòng)的像素?cái)?shù))1移動(dòng)越過圖片大?。?、越過，直接停止觀2、就直接超過 SAME1*1

4、， 3*3， 5*528，28，1卷積層：32個(gè)filter, 3*3，步長(zhǎng)1,p=1H2 = (28-3+ 2P)/1+1= 28w2=(28-3+ 2P)/1+1 = 28relu27, 27, 32：2,22sigmoid= 1/1+e-zrelu = max(0, x)增加激活函數(shù)：增加網(wǎng)絡(luò)的非線性分割能卷積層，激活，全連接net卷積層1、300，4002、20*20, 30*2010個(gè)類別None, 784None, 10None, 28, 28, 1卷積神經(jīng)網(wǎng)絡(luò)：一卷積層：卷積：32個(gè)filter, 5*5，strides1, padding=“SAME”bias = 32輸入：None, 28, 28, 1輸出：None, 28,28, 32激活:None, 28,28, 32：2*2 ,strides2, padding=“SAME”None, 28, 28, 32>None, 14, 14, 32二卷積層：卷積:64個(gè)filter，5*5，strides1,padding=“SAME”bias = 64輸入：None, 14, 14, 32輸出：None, 14, 14, 64激活:None, 14, 14, 64:2*2， strides2輸入：Non