PyTorch进阶开发(神经网络架构(实例图解))

通过将两个线性模型与一些方程, 权重, 偏差和S形函数相结合, 我们发现了一个非线性模型。让我们开始更好的说明, 并了解神经网络和深度神经网络的体系结构。

PyTorch进阶开发(神经网络架构(实例图解))

文章图片
让我们看一个例子, 以更好地理解和说明。
假设有一个线性模型, 其线表示为-4× 1-x2 + 12。我们可以用以下感知器来表示它。
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
输入层中的权重为-4, -1和12代表线性模型中的方程式, 输入传递到该方程式中以获得其在正区域中的概率。再取一个模型, 其线表示为-
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
x1-x2 + 3。因此, 我们可以通过其表示的预期感知器如下:
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
现在, 我们要做的是, 通过将这两个感知器与一组权重相乘并加上偏差, 将这两个感知器组合起来以获得非线性感知器或模型。之后, 我们使用S形曲线获得曲线, 如下所示:
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
在前面的示例中, 假设我们有两个输入x1和x2。这些输入代表坐标(2, 2)上的单个点, 我们想要获得该点位于正区域和非线性模型中的概率。这些坐标(2, 2)传递到由两个线性模型组成的第一输入层。
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
在第一个线性模型中处理两个输入, 通过基于模型的权重和偏差将输入作为线性组合, 然后采用S形, 获得点在概率为0.88的点, 从而得出该点在正区域中的概率。 。
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
以同样的方式, 我们将在第二个模型中发现该点的概率在正区域中, 并且发现了点0.64的概率。
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
当我们将两个模型结合在一起时, 我们将概率加在一起。我们将对权重1.5、1和偏差值0.5进行线性组合。我们将第一个模型与第一个权重相乘, 将第二个模型与第二个权重相乘, 然后将所有内容与偏差相加以获得分数, 因为我们将采用两个模型的线性组合的S形来获得新模型。我们将对点执行相同的操作, 将其转换为处于正区域和非线性模型中的概率为0.92。
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
这是深度神经网络的前馈过程。为了提高效率, 我们可以重新排列该神经网络的表示法。不是将我们的点表示为两个不同的x1和x2输入节点, 而是将其表示为x1和x2节点的一对
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
这说明了神经网络的独特架构。因此, 存在一个包含输入的输入层, 第二层是线性模型的集合, 最后一层是输出层, 它是我们两个线性模型的组合得出的非线性模型。
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
深度神经网络 我们将使用模型和隐藏层将它们组合起来, 并创建最能对数据进行分类的非线性模型。有时我们的数据太复杂, 无法分类, 我们将不得不组合非线性模型以创建更多非线性模型。
【PyTorch进阶开发(神经网络架构(实例图解))】我们可以使用更多隐藏层进行多次操作, 并获得高度复杂的模型
PyTorch进阶开发(神经网络架构(实例图解))

文章图片
对此类数据进行分类更为复杂。它需要许多隐藏的模型层彼此结合, 并具有一定的权重集, 以获得可以完美地对这些数据进行分类的模型。
之后, 我们可以通过前馈操作产生一些输出。在产生输出之前, 输入必须经过神经网络的整个深度。它只是一个多层感知器。在深层神经网络中, 我们的数据趋势不是直截了当的, 因此, 这种非线性边界只是一个正确分类非常复杂的数据集的准确模型。
要获得此非线性边界, 需要许多隐藏层, 并且每一层都包含模型, 这些模型相互组合以产生此非常复杂的边界, 从而对我们的数据进行分类。
可以使用更复杂的功能训练深度神经网络, 以对更复杂的数据进行分类。

    推荐阅读