在感知器模型中, 我们使用线性模型对数据的两个区域进行分类。实际数据要复杂得多, 并不总是按直线分类。为此, 我们需要一个非线性边界来分离数据。 Perceptron模型是在神经网络的最基本形式上工作的, 但是对于现实的数据分类, 我们使用了深度神经网络。
当我们的模型无法表示一组数据时, 我们将使用非线性模型代替它。在以下情况下使用非线性模型
文章图片
在上图中, 有一条曲线可以对我们的数据进行完美分类, 但是如何获得该曲线。为此, 我们将两个感知器组合成第三个。理解是很典型的, 因此为了更好地理解, 我们采用两个线性模型并将它们组合在一起以形成一个非线性模型。
文章图片
从上面的图片可以明显看出, 两个模型都无法对我们的数据进行分类。以下是一些步骤, 用于从两个线性模型中形成一个非线性模型：
【PyTorch进阶（深层神经网络中的非线性边界）】步骤1：
首先, 将每个线性模型组合起来以形成一个非线性模型。如果我们有两个线性模型, 那么通过将它们组合在一起, 结果模型将看起来像
文章图片
输出模型是其他两个模型的线性组合。
第2步：
现在, 我们要做的是, 将这两个线性模型都视为包含某些线性方程的输入节点。我们将第一个模型表示为x1, 将第二个模型表示为x2。
文章图片
第三步：
在下一步中, 我们将模型乘以一些权重, 例如w1和w2, 并考虑偏差, 以便将偏差值也视为节点。
文章图片
步骤4：
现在, 将所有内容相加以获得线性组合。为此, 我们将使用S形激活函数, 该函数会提供预期的曲线。
文章图片
步骤5：
我们将数学上将所有节点与其权重值相乘, 例如w1 = 0.4, w2 = 1和b = 0.5, 然后应用S型曲线, 则结果曲线如下：
文章图片
步骤6：
在第二个线性模型x2中, 如果我们取权重值为3, 则所得模型将给我们带来意外的曲线, 看起来像是
文章图片
从步骤5和步骤6中可以清楚地看到, 用权重值1.5和1创建的模型对我们的数据分类最好, 而不是用权重值1.5和3创建的模型。 -线性模型。
组合两个线性模型以形成一个非线性模型的过程并不是那么简单。理解神经网络的结构对于实现深度神经网络的非线性边界非常重要。
推荐阅读
- PyTorch样式转移的优化过程（图解）
- PyTorch中的MNIST图像识别数据集（带实例）
- PyTorch均方误差图解分析
- PyTorch实战（神经网络在图像识别中的实现）
- PyTorch中的损失函数实例图解
- PyTorch线性回归用法图解
- PyTorch开发（深度神经网络的实现）
- Pytorch超参数调整技术（实例图解）
- PyTorch图像识别中的图像转换（实例分析）