知识卡片

结构图卡 · 9416.j · 生成模型:Tencent Hunyuan Hy

人工神经元数学模型

理解等级:中级

人工神经网络由节点和权重搭建:节点充当神经元,权重是可学习的参数,既连接节点又控制激活路径。单个神经元把标量输入 x 与权重 w 相乘后加上偏置 b,得到 a = wx + b,偏置的作用是把输出整体平移到适合的范围;经过激活函数后,这个输出才有明确意义。当输入扩展为向量 P = (p1…pn),每个输入配一个权重,公式变成对乘积求和再加偏置。多个神经元并行排列、共享输入时,权重扩展成 n×m 矩阵,每个神经元各自产生输出,于是输出也变成向量。单个神经元只能做二元判断,大量神经元互连才能超越二元决策;激活函数的细节见 [[激活函数:作用与类型]]。

结构图:

flowchart LR
    A[p1] -->|w1| S((Σ))
    B[p2] -->|w2| S
    C[pn] -->|wn| S
    BIAS[b] --> S
    S --> F[激活函数 f]
    F --> O[输出 a = f(Σwx + b)]
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:《Python深度学习架构实用指南(初译)》第01章《深度学习入门》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/04.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文从组件、标量公式、偏置一路推到向量输入与 n×m 权重矩阵,支撑本卡对单神经元到网络建模的完整推导。 - 原始内容:ANN 由两个组件构建:节点和权重。 节点扮演神经元的角色,权重是可学习的参数,权重将神经元彼此连接并控制其激活路径。