在人工智能领域，有一个方法叫机器学习。在机器学习这个方法里，有一类算法叫神经网络。神经网络如下图所示：上图中每个圆圈都是一个神经元，每条线表示神经元之间的连接。我们可以看到，上面的神经元被分成了多层，层与层之间的神经元有连接，而层内之间的神经元没有连接。最左边的层叫做输入层，这层负责接收输入数据；最右边的层叫输出层，我...

作者：桂。时间：2017-04-16 11:53:22链接：http://www.cnblogs.com/xingshansi/p/6718503.html 前言今天开始学习李航的《统计学习方法》，考虑到之前看《自适应滤波》，写的过于琐碎，拓展也略显啰嗦，这次的学习笔记只记录书籍有关的内容。前段时间...

关于人工神经元，前面章节稍微提过，本章将详细讨论。人脑有数十亿个神经元。神经元是人脑中相互连接的神经细胞，参与处理和传递化学信号和电信号。树突是从其他神经元接收信息的分枝。细胞核处理从树突接收到的信息。轴突是一种神经细胞用来传递信息的生物电缆。突触是轴突和其他神经元树突之间的连接。1943年，研究人员沃伦·...

未来将是人工智能和大数据的时代，是各行各业使用人工智能在云上处理大数据的时代，深度学习将是新时代的一大利器，在此我将从零开始记录深度学习的学习历程。我希望在学习过程中做到以下几点：了解各种神经网络设计原理。掌握各种深度学习算法的python编程实现。运用深度学习解决实际问题。让我们开始踏上深度度学习的征程。想要了解&l...

 　　感知机是最早的分类方法之一，现在它的泛化能力不强。 1.感知机模型　　感知机思想：在二维就是找到一条直线，在三维或者更高维就是找到一个超平面，将所有二元类别分开。　　找不到这条直线或超平面就是类别线性不可分，感知机不适合该数据分类。使用感知机最大前提就是数据线性可分。支持向量机面对不可分时通过...

importtensorflowastfx=tf.random.normal([2,4])w=tf.random.normal([4,3])b=tf.zeros([3])y=tf.constant([2,0])withtf.GradientTape()astape:tape.watch([w,b])#axis=1，表示...

    importtensorflowastfx=tf.random.normal([1,3])w=tf.ones([3,1])b=tf.ones([1])y=tf.constant([1])withtf.GradientTape()astape:tape.watch([w,b...

随着数字化技术的快速发展，电话、手机、相机、电视等数字化产品如雨后春笋般涌现市场，无时无刻不在影响着我们的生活，这是一个数字化的时代。在这样一个数字化时代，所有的数字信号采集都必须有相应的数字化的软硬件支撑。随着人们对于图像、视频等多媒体内容的需求和要求越来越高，对应的硬件设备如照相机、摄像机等信号采集的设备的压力也越...

反向传播神经网络是对非线性可微分函数进行权值训练的多层网络，是前向神经网络的一种。BP网络主要用于：1)函数逼近与预测分析：用输入矢量和相应的输出矢量训练一个网络，逼近一个函数或预测未知信息；2)模式识别：用一个特定的输出矢量将它与输入矢量联系起来；3)分类：把输入矢量以所定义的合适方式进行分类；4)数据压缩：减少输出...

一，感知机模型1，超平面的定义令w1，w2，...wn，v都是实数(R) ，其中至少有一个wi不为零，由所有满足线性方程w1*x1+w2*x2+...+wn*xn=v的点X=[x1,x2,...xn]组成的集合，称为空间R的超平面。从定义可以看出：超平面就是点的集合。集合中的某一点X，与向量w=[w1，w2，...

在神经网络入门回顾（感知器、多层感知器）中整理了关于感知器和多层感知器的理论，这里实现关于与门、与非门、或门、异或门的代码，以便对感知器有更好的感觉。此外，我们使用pytest框架进行测试。pipinstallpytest通过一层感知器就可以实现与门、与非门、或门。先写测试代码test_perception.py：1f...

神经网络属于“联结主义”，和统计机器学习的理论基础区别还是很不一样。以我自己的理解，统计机器学习的理论基于统计学，理论厚度足够强，让人有足够的安全感；而神经网络的理论更侧重于代数，表征能力特别强，不过可解释性欠佳。这两个属于机器学习的两个不同的流派，偶尔也有相互等价的算法。本文回顾神经网络最简单...