知识卡片
RBF高斯函数与升维
RBF与BP的差异根源在隐藏层激活函数不同:RBF用中心对称的高斯函数,把输入直接映射到隐藏层,隐藏层到输出层则是线性加权,因此权值可由线性方程组直接解出,学习快且避免局部极小。高斯函数径向对称、两边衰减,神经元输入离中心越远激活程度越低,远者映射接近0而不更新,从而形成局部学习。隐藏层还把低维线性不可分数据映射到高维,使线性可分的超平面可被找到。边界在于核心难题是确定隐藏层中心参数,常用聚类或从样本中选取。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 模拟人类思考过程:神经网络 7.4.2 改变激活函数 · 查看原书依据
在RBF神经网络中,隐藏层的作用是将数据从低维空间映射到高维空间,当将低维空间中线性不可分的数据集转换到高维空间时可以找到线性可分的超平面。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第7章《模拟人类思考过程:神经网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00012.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明高斯函数径向对称、离中心越远激活越低,并指出隐藏层将低维不可分数据映射到高维,支撑了换激活函数既实现局部学习又完成升维的结论。
- 原始内容:在RBF神经网络中,隐藏层的作用是将数据从低维空间映射到高维空间,当将低维空间中线性不可分的数据集转换到高维空间时可以找到线性可分的超平面。