在本节中,我们将通过简化的数据流水线工作流程对机器学习进行非常高级的介绍,仅足以直观地说明如何构建和部署模型。 再一次,如果您是初学者,我强烈推荐在 Coursera 上使用 Andrew Ng 的*机器学习*课程(我仍然会不时地复习)。 在下一节中,我们将介绍称为深度学习的机器学习分支,我们将使用它来构建图像识别样本应用程序。
在本节中,我们将通过简化的数据流水线工作流程对机器学习进行非常高级的介绍,仅足以直观地说明如何构建和部署模型。 再一次,如果您是初学者,我强烈推荐在 Coursera 上使用 Andrew Ng 的《机器学习》课程(我仍然会不时地复习)。 在下一节中,我们将介绍称为深度学习的机器学习分支,我们将使用它来构建图像识别样本应用程序。
# 什么是深度学习?
...
...
@@ -68,7 +68,7 @@
### 注意
**注意**:上式中的偏差表示偏差神经元的权重,它是添加到 x 值为+1 的每一层的额外神经元。 偏向神经元是特殊的,因为它有助于下一层的输入,但它没有连接到上一层。 但是,通常仍然像其他神经元一样学习其重量。 偏向神经元背后的直觉是,它在线性回归方程中提供了常数项 b:
**注意**:上式中的偏差表示偏差神经元的权重,它是添加到 x 值为+1 的每一层的额外神经元。 偏向神经元是特殊的,因为它有助于下一层的输入,但它没有连接到上一层。 但是,通常仍然像其他神经元一样学习其重量。 偏向神经元背后的直觉是,它在线性回归方程中提供了常数项 b:
![What is deep learning?](img/00116.jpeg)
...
...
@@ -78,11 +78,11 @@
![What is deep learning?](img/00118.jpeg)
下图显示了如何使用 S 型激活函数根据其输入及其权重来计算神经元输出:
下图显示了如何使用 Sigmoid激活函数根据其输入及其权重来计算神经元输出:
![What is deep learning?](img/00119.jpeg)
使用 S 型函数计算神经元输出
使用 Sigmoid函数计算神经元输出
其他流行的激活函数包括双曲正切![What is deep learning?](img/00120.jpeg)和**整流线性单位**(**ReLu**):![What is deep learning?](img/00121.jpeg)。 ReLu 在有很多层时效果更好,因为可以激发*神经元的稀疏性*,从而降低噪音并加快学习速度。