Python 深度学习 基础知识

在这一章中，我们将研究Python深度学习的基本原理。

深度学习模型/算法

现在让我们来了解一下不同的深度学习模型/算法。

深度学习中的一些流行模型如下

• 卷积神经网络
• 递归神经网络
• 深度信仰网络
• 生成式对抗性网络
• 自动编码器等等。

输入和输出被表示为向量或张量。例如，一个神经网络可能有输入，图像中的单个像素RGB值被表示为向量。

位于输入层和输出层之间的神经元层被称为隐藏层。当神经网络试图解决问题时，大部分的工作都发生在这里。仔细观察隐藏层可以发现很多关于网络已经学会从数据中提取的特征。

通过选择哪些神经元与下一层的其他神经元连接，形成不同的神经网络架构。

计算输出的伪代码

以下是计算 正向传播神经网络 输出的伪代码 —

# node[] := array of topologically sorted nodes
# An edge from a to b means a is to the left of b
# If the Neural Network has R inputs and S outputs,
# then first R nodes are input nodes and last S nodes are output nodes.
# incoming[x] := nodes connected to node x
# weight[x] := weights of incoming edges to x

对于每个神经元x，从左到右 –

• 如果x <= R: 不做任何事情 # 它是一个输入节点
• inputs[x] = [output[i] for i incoming[x]] 输入的i
• weighted_sum = dot_product(weights[x], inputs[x])
• output[x] = Activation_function(weighted_sum)