如何让一个神经元学会分辨苹果和香蕉

    神经元是一种分类器,单个神经元只能进行线性分类,多个神经元组成网络增强到可以进行非线性分类。

    神经元通过大量数据的训练,会掌握那些数据中隐藏的普遍规律。这些规律通过反复调整到最佳值的权重被神经元记忆下来。

    给这个训练好的神经元输入一个同类型的数据,它可以根据掌握的基本规律进行正确的分类。

    我们拿苹果和香蕉的分类来举例说明:(为了叙述的方便,我们最简化这个问题)

    假设我们只通过颜色和形状来区分苹果和香蕉。苹果是圆的,红色的。香蕉是弯的,黄色的。我们把这个设定用表格转化成数字形式

        我们先定义输入值用p表示,输入权重用w表示,为了模拟神经元本身的信号,引入自身强度权重b。

        根据我们的例子,一次有两个输入值:颜色p1,形状p2。对应的权重就是w1和w2。权重的初始值可以任意设定,它们最终会被自动调整到合适的值。

        我们随意取以下初始值:w1 = 3,w2 = -5,b = 1

        现在开始训练,我们进行有监督训练。意思就是训练数据里包括正确答案,这样可以计算误差。输入一个苹果(颜色:-1,形状:-1,正确答案:0)

第一步:加权求和。(p1 * w1 + p2 * w2 +......pn * wn) + b

我们的例子代入公式(-1 * 3 + -1 * -5) + 1 = -3 + 5 + 1 = 3

         得到求和结果后,我们要把这个结果转化成便于我们利用的形式。通过一种专门的函数(传递函数)进行转换。传递函数有很多种,每种的用途不同,根据我们例子里要分辨苹果0和香蕉1,需要输出的值要么是0,要么是1。我们选择Step传递函数。

       Step传递函数的计算方法是:如果大于0,输出1,否则输出0。非常对我们的口味。

       把结果用Step进行转化,Step(3) = 1,正确答案是0,错了。说明那些权重值不对,要调整。

      要调整权重值,我们先要知道误差是多少。误差e = 正确答案 - 实际输出。代入公式计算e = 0 -1 = -1

新的权重值 = 旧的权重值 + 误差 * 输入值

新的自身权重 = 旧的自身权重 + 误差

代入公式计算:

w1(new) = w1(old) + e * p1  = 3 + -1 * -1 = 4

w2(new) = w2(old) + e * p2 = -5 + -1 * -1 = -4

b(new) = b(old) + e = 1 + (-1) = 0

      得到新的权重值后,我们进行新一轮的训练。再次输入一个苹果(颜色:-1,形状:-1,正确答案:0)

加权求和s = -1 * 4 + -1 * -4 + 0 = 0

输出值a = Step(0) = 0

误差e = 0 - 0 = 0

正确了。

我们再输入一个香蕉试试(颜色:1,形状:1,正确答案:1)

加权求和s = 1 * 4 + 1 * -4 + 0 = 0

输出值a = Step(0) = 0

误差e = 1 - 0 = 1

又错了,我们再次启动权重调整

w1(new) = w1(old) + e * p1  = 4 + 1 * 1 = 5

w2(new) = w2(old) + e * p2 = -4 + 1 * 1 = -3

b(new) = b(old) + e = 0 + 1 = 1

再输入一个香蕉试试(颜色:1,形状:1,正确答案:1)

加权求和s = 1 * 5 + 1 * -3 + 1 = 3

输出值a = Step(3) = 1

误差e = 1 - 1 = 0

正确了。

现在神经元已经学会了如何分辨苹果和香蕉。我们输入一个苹果数据验证一下

输入:(颜色:-1,形状:-1,正确答案:0)

加权求和s = -1 * 5 + -1 * -3 + 1 = -1

输出值a = Step(-1) = 0

误差e = 0 - 0 = 0

正确!!!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容

  • 前进的道路上,我们将扩展出很多关于神经网络的关键的思想,其中包括两个重要的人工神经元 (感知机和 S 型神经元),...
    郭少悲阅读 1,054评论 0 0
  • 正月二十,在下了一场小雨后,早春的天气显得格外寒冷。 守在匆匆忙忙的走过了半个人生旅途时,迎来了第四十二个生日...
    PINKrtBoy阅读 632评论 0 13
  • 文/冰紫嫣 随着音乐的旋律沉醉于这美好的夜色里,我爱文字如自己一如往昔。 世人都说女人善变,心如海底的针,而于像我...
    冰紫嫣原创阅读 324评论 0 3
  • console.log(object[, object, ...]) 在控制台输出一条消息。如果有多个参数,输出时...
    小姜先森o0O阅读 932评论 0 0
  • APP超过5年的产品或者公司业务几何倍增长的产品,不可避免的会需要重构来保证APP的性能和稳定性,可维护性。从一个...
    王道钦阅读 637评论 1 3