日志

16_神经网络–梯度下降的数学解释

2018年10月5日 /0 评论/在： /通过：

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

2018年10月5日 /0 评论/在： /通过：

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。

14_神经网络_感知器介绍

2018年9月30日 /0 评论/在： /通过：

经过上一节的内容我们了解到，神经网络是如何做出决定的：获取输入信息，对输入信息进行加工，输出最终结果。本节将更进一步了解这个数据加工的过程。数据，例如上一节的test和grades会被输入到神经网络的互相连接的节点中。这些单个节点被称为感知器或人工神经节点。每一个节点观察它的输入数据并决定该作何分类。