Python Deep Learning 简明教程

Python Deep Learning - Fundamentals

在本章中,我们将深入了解 Python 深度学习的基础知识。

Deep learning models/algorithms

现在,让我们了解不同的深度学习模型/算法。

深度学习中一些流行的模型如下 −

  1. Convolutional neural networks

  2. Recurrent neural networks

  3. Deep belief networks

  4. Generative adversarial networks

  5. Auto-encoders and so on

输入和输出表示为向量或张量。例如,神经网络可能具有输入,其中图像中的各个像素 RGB 值表示为向量。

位于输入层和输出层之间的神经元层称为隐藏层。当神经网络尝试解决问题时,这是大部分工作发生的地方。仔细观察隐藏层可以揭示网络已学会从数据中提取的特征。

通过选择哪些神经元连接到下一层中的其他神经元,可以形成神经网络的不同架构。

Pseudocode for calculating output

以下是计算 Forward-propagating Neural Network 输出的伪代码 −

  1. = node[] := 拓扑顺序排列的节点数组

  2. = 从 a 到 b 的边缘表示 a 在 b 的左侧

  3. = 如果神经网络有 R 个输入和 S 个输出,

  4. = 那么前 R 个节点是输入节点,最后 S 个节点是输出节点。

  5. = incoming[x] := 连接到节点 x 的节点

  6. = weight[x]:指向 x 节点的输入边权重

对于每个神经元 x,从左至右−

  1. 如果 x ⇐ R:不执行任何操作 # 它是一个输入节点

  2. inputs[x] = [output[i] for i in incoming[x]]

  3. weighted_sum = dot_product(weights[x], inputs[x])

  4. output[x] = Activation_function(weighted_sum)