srcmini人工神经网络是受生物神经网络启发的计算模型, 它由大量称为神经元的高度互连的处理元素组成。
针对特定应用(例如模式识别或数据分类)配置了ANN(人工神经网络)。
它可以从复杂或不精确的数据中得出含义。
它提取模式并检测过于复杂以至于人类或其他计算机技术都无法注意到的趋势。
转换功能
ANN(人工神经网络)的行为取决于权重和为单位指定的输入输出功能。此功能属于以下三个类别之一：
- 线性(或斜坡)
- 阈值
- Sigmoid
线性单位：输出活动与线性单位的总加权输出成比例。
阈值：根据总输入是大于还是小于某个阈值, 将输出设置为两个级别之一。
Sigmoid单位：输出随着输入的变化而连续变化, 但不是线性变化。Sigmoid单位比线性或阈值单位与真实神经元具有更大的相似性, 但必须将这三个单位视为近似值。
以下是用于对神经网络进行分类的代码。
首先, 我们创建了一个激活函数, 因此我们必须将其绘制为POPC并创建S型函数, 这是一个轻松的激活函数, 需要Z来制作S型函数。
然后, 我们进行继承Sigmoid的手术。因此, 让我们看一个分类示例, sikat learning具有有用的功能, 可以为我们创建数据集。然后, 我们要说我的数据等于产生斑点。它只是在其中创建了几个可以分类的斑点。因此, 我们必须创建50个样本并将要素数量设置为要产生两个斑点的状态, 所以这只是一个二进制分类问题。
现在, 我们必须创建列0中所有行的要素散点图, 因此, 如果我们对两个不同的Blob进行散点图并能够对这两个高度可分离的类进行分类。
在这里, 我们将建立一个1的矩阵, 这是一个1到2的矩阵。然后, 将其传递到S型函数中, 即S型, 因为对我们来说, 根据正或负对它们进行分类时, 必然要输出0或1。
积极的投入越多, 我们的模型就越能确定它属于一类。
因此, 现在我们能够成功地将图形对象占位符变量激活函数用于衰退, 并能够执行非常简单的分类。希望不久后, 我们知道如何手动执行此操作, 这将使学习张量流变得更加轻松, 并且可以轻松地使用TensorFlow执行所有基本功能。
在接下来的主题中, 我们将学习TensorFlow基础知识。
评论前必须登录！
注册