-
权重更新！
查看全部 -
numpy的库 调用里面的函数 where（）
查看全部 -
算法的步骤总结，神经网络的计算（第一层）
查看全部 -
阈值也要及时更新，因为x0电信号的值为1
所以阈值的更新为学习率乘（y-y’）+原来的阈值
w0为 - 阈值（负的阈值）
阈值= - w0
查看全部 -
这里的话 如果感知器和正确分类的一样 那么权重就不用更新
学习率是模型的使用者自己设置的 根据用户的经验来调整学习率
查看全部 -
步调函数（也叫作激活函数），加入一个w0和x0后，现在变成判断z值是不是大于0
查看全部 -
测试：
import numpy as np
X = np.array([[1,2,3],[4,5,6]],dtype=int)
print(X)
输出：
[[1 2 3]
[4 5 6]]
w_ = np.zeros(1+X.shape[1])
print(w_)
print(X.shape[1])
输出：
[0. 0. 0. 0.]
3
查看全部 -
使用python 3 ，需要写np.zeros()
而不是np.zero()
查看全部 -
多维矩阵运算1）a=np.arange(4)输出：array([0,1,2,3])2）b=a**2输出：array([0,1,4,9])3）c=10*np.sin(a)输出：array([0.,8.41470985,9.09297427,1.41120008])4）n <35输出：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# 元素点乘输出：array([[2,0],[0,4]])6）D=A.dot(B)# 矩阵乘法输出：array([[5,4],[3,4]])7）E=np.dot(A,B)# 矩阵乘法输出：array([[5,4],[3,4]])查看全部 -
渐进下降法
损失函数的图形，第一次见。有保存价值。
查看全部 -
感知器只适合线性分类，应用很有限。
查看全部 -
学习率，由学习者自行设置，根据经验设置，
学习率不同，对神经网络的训练影响很大。
查看全部 -
感知器数据分类步骤：
1，初始化权重向量w
2，把样本输入感知器，得到分类结果
3，根据分类结果前向反馈更新权重
查看全部 -
课程的内容
查看全部 -
要构造的神经网络，图示
查看全部
举报