本文共 403 字,大约阅读时间需要 1 分钟。
1. 感知器。
感知器其实就是单个的神经网络单元。以一个实数向量作为输入,计算这些输入的线性组合,如果结果大于阈值,则输出1,否则输出-1。
感知器可以表示很多布尔函数,比较适用于线性可分的数据。
训练方法有两种,感知器训练法则和梯度下降法则。
(1) 感知器训练法则:
对权值向量,从一个随机值开始,反复应用向量到每个样例,只要出现误分类,就修改权值,直到正确分类所有的样例。
wj=wi + 增量;
增量= a (t-o) xi
其中a是学习速率,t是目标输出,o是感知器当前输出,xi是输入。
该规则应用的前提是数据线性可分。
(2) 梯度下降法则:
梯度指的是由权值向量每一维偏导数组成的向量。
初始化每个wi为随机值,初始化每一维的增量为0
对于每个训练样例,计算输出o,对每一维权值wi,做
增量=增量+a (t-o) xi,其中a是学习速率
对整个训练集计算一遍之后,每一维wi=wi+增量。
转载地址:http://zzbdi.baihongyu.com/