18_神经网络–多层感知器
之前的例子我们通过XOR（异或门）的感知器结构显示了通过增加神经网络层数，可以用于解决非线性问题。本节我们讲解多层感知器构造及如何实现。
阅读更多
17_神经网络–梯度下降的代码实现
经过上一节的讲解我们已经知道了我们的权重是如何更新的，本节将讲解如何将这个过程通过代码实现。基于python和numpy。
阅读更多
16_神经网络–梯度下降的数学解释
上章节中我们讲解了如何神经网络如何学习权重以及梯度下降的原理及含义。本章节我们从数学的角度去解析梯度下降的推导方法。这个过程会涉及到神经网络的几个非常关键的参数如learning rate，gradient等。
15_神经网络–权重与梯度下降
在上一章节感知器中我们学习了权重（weights）的概念，但是我们是手动设置各输入值的权重的。但很多时候我们并不知道每一个输入值真实的权重是多少，我们需要从现有的数据中学习权重，然后使用权重去做预测。