0
点赞
收藏
分享

微信扫一扫

深度学习入门笔记(2)—— 感知器

在这里插入图片描述
最经典的神经元模型,从左到右依次是:输入、权重、加权和、阈值、输出。加权和又叫做 Net Input,符号为 z,当 z 的值大于阈值时输出 1,小于阈值时输出 0。

在这里插入图片描述
在这里插入图片描述
实现与门和或门,权重为 1,阈值分别为 1.5 和 0.5 即可。
在这里插入图片描述
在这里插入图片描述
用偏置 b 代替负阈值,此时的加权和 z 就变成了 w T x + b {w^T}x + b wTx+b,新的阈值就是 0 了。
在这里插入图片描述
更进一步的,可以将偏置看作是输入 1 时对应的权重,这样做的好处是可以写成向量内积的形式,有利于数学表达。但是,实际常用的还是 w T x + b {w^T}x + b wTx+b,因为前面那种形式需要改变输入向量,操作上就是创建一个新的副本,比较麻烦。后者的话通过广播机制就能实现加 b 的操作,比较简单。

在这里插入图片描述
计算两个向量的内积,Python 的 for 循环是最慢的,其次是列表推导式,最快的是 Numpy 的点积 dot 函数,因为 Numpy 支持并行计算。

举报

相关推荐

0 条评论