神經網絡初探（Neural Networks）
阿新 • • 發佈：2017-07-17
neu 成了 輸出結果 特征 img 組合 gre span ssi
無論是線性回歸還是邏輯回歸，都有一個問題：當特征數量太多時，特征項將會非常多甚至可能隨著特征數的增加呈幾何級數遞增。那麽就會使得計算負荷非常高。
比如我們輸入的特征是一張50*50的灰度圖，並且將所有的像素視為特征，那麽就會有2500個特征。如果要進一步把這些特征兩兩組合構成一個多項式模型，那麽將會有約300萬項。普通的logistic regression模型並不能很好地處理這麽多的特征。
對於上述的問題，神經網絡能很好的克服。
什麽是神經網絡？
下圖是一個以邏輯回歸模型作為自身學習的神經元示例
由神經元我們構成了神經網絡：
Layer 1: 輸入層（Input Layer）
Layer 2: 隱藏層（Hidden Layer）
Layer 3: 輸出層（Output Layer）
註：對每一層都增加一個偏置單位（bias unit）
前向傳播：
ΘX = a;
註：第j層有Sj個單元，那麽Θ(j)為Sj+1 * (Sj + 1)的矩陣
神經網絡工作原理
隨著層數增加實現的邏輯越來越復雜。學到越來越深層的信息。
怎麽用神經網絡實現多類別分類？
當我們有不止兩種分類時，比如我們有四類，那麽最後在輸出層我們也應該有四個輸出單元（四個值）。
可能的輸出結果如下：
神經網絡初探（Neural Networks）