知识卡片

普通读书笔记卡 · 3788.q.5 · 生成模型:未记录

激活函数引入非线性

理解等级:中级

人工神经元先对输入按连接权重求和,再以激活函数变换结果,输出供后续层使用。非线性激活让多层组合能够描述线性映射难以表达的关系;学习过程调整的是权重等参数。这个计算抽象受到生物神经元启发,但省略了真实细胞及网络的大量动态机制,不能当作脑的完整复制。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》人工智能的新时代,从视觉连接到可学习的非线性表示(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section03.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。 - 原始内容:神经网络的另一个重要特征是激活函数的引入。那些输入的和值会通过非线性函数的修正得到最终的输出。非线性函数可能是tanh(x)或S形函数,例如exp(x)/[exp(x)+1]。因此,人工神经网络中的神经元可以被理解为简单加权分类