知识卡片
人工神经元的加权求和
人工神经元是多输入—单输出的处理单元。输入 x_i(i=1,…,n)来自上一层神经元;权值 ω_ki 对应突触连接强度,为正表示对 x_i 激励、为负表示抑制;求和单元计算 net_k=Σω_ki x_i,相当于膜电位;再与阈值 θ_k 比较,工程上写成偏置 b_k=-θ_k。因此 y_k=f(Σω_ki x_i+b_k)。f(·) 是激活函数,把线性加权和转成非线性输出。若把 b_k 看成固定输入 x_0=1 对应的权值 ω_k0,则 y_k=f(ω_kᵀx_k),这正是代码里“输入乘权重矩阵再加偏置”的来源。权值、偏置、激活函数三者,构成一个神经元的全部可调要素。
结构图:
flowchart LR
X["输入 x1…xn"] --> S["加权求和 Σωx"]
B["偏置 b"] --> S
S --> F["激活函数 f"]
F --> Y["输出 y"]
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
- 第6章 神经网络与深度学习 · 查看原书依据
∑ 为求和单元,用来求输入信号在各种突触强度下的加权和,相当于生物神经元将多个传入的冲动整合所得的膜电位
参考来源
- 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0001.xhtml,6.1.1 人工神经元的模型)
- 结论依据:原文逐项解释了权值、求和单元、阈值与偏置、激活函数、输出的生物对应物,并给出把偏置并入权值向量的写法。
- 原始内容:∑ 为求和单元,用来求输入信号在各种突触强度下的加权和,相当于生物神经元将多个传入的冲动整合所得的膜电位