-
權(quán)重更新！
查看全部 -
numpy的庫(kù) 調(diào)用里面的函數(shù) where（）
查看全部 -
算法的步驟總結(jié)，神經(jīng)網(wǎng)絡(luò)的計(jì)算（第一層）
查看全部 -
閾值也要及時(shí)更新，因?yàn)閤0電信號(hào)的值為1
所以閾值的更新為學(xué)習(xí)率乘（y-y’）+原來(lái)的閾值
w0為 - 閾值（負(fù)的閾值）
閾值= - w0
查看全部 -
這里的話 如果感知器和正確分類的一樣 那么權(quán)重就不用更新
學(xué)習(xí)率是模型的使用者自己設(shè)置的 根據(jù)用戶的經(jīng)驗(yàn)來(lái)調(diào)整學(xué)習(xí)率
查看全部 -
步調(diào)函數(shù)（也叫作激活函數(shù)），加入一個(gè)w0和x0后，現(xiàn)在變成判斷z值是不是大于0?
查看全部 -
測(cè)試：
import numpy as np
X = np.array([[1,2,3],[4,5,6]],dtype=int)
print(X)
輸出：
[[1 2 3]
[4 5 6]]
w_ = np.zeros(1+X.shape[1])
print(w_)? ?
print(X.shape[1])
輸出：
[0. 0. 0. 0.]
3
查看全部 -
使用python 3 ，需要寫(xiě)np.zeros()
而不是np.zero()
查看全部 -
多維矩陣運(yùn)算1）a?=?np.arange(4)輸出：array([0,?1,?2,?3])2）b?=?a**2輸出：array([0,?1,?4,?9])3）c?=?10*np.sin(a)輸出：array([?0.????????,??8.41470985,??9.09297427,??1.41120008])??4）n <?35輸出：array([?True,??True,??True,??True], dtype=bool)?,5）
A?=?np.array([[1,1],[0,1]])B?=?np.array([[2,0],[3,4]])C?=?A?*?B????# 元素點(diǎn)乘輸出：array([[2,?0],[0,?4]])6）D?=?A.dot(B)???# 矩陣乘法輸出：array([[5,?4],???????[3,?4]])7）E?=?np.dot(A,B)???# 矩陣乘法輸出：array([[5,?4],???????[3,?4]])查看全部 -
漸進(jìn)下降法
損失函數(shù)的圖形，第一次見(jiàn)。有保存價(jià)值。
查看全部 -
?感知器只適合線性分類，應(yīng)用很有限。
查看全部 -
?學(xué)習(xí)率，由學(xué)習(xí)者自行設(shè)置，根據(jù)經(jīng)驗(yàn)設(shè)置，
學(xué)習(xí)率不同，對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練影響很大。
查看全部 -
感知器數(shù)據(jù)分類步驟：
1，初始化權(quán)重向量w
2，把樣本輸入感知器，得到分類結(jié)果
3，根據(jù)分類結(jié)果前向反饋更新權(quán)重
查看全部 -
課程的內(nèi)容
查看全部 -
要構(gòu)造的神經(jīng)網(wǎng)絡(luò)，圖示
查看全部
舉報(bào)