权重在神经网络中意味着什么?
0 687
0
该提问暂无详细描述
收藏
2021-01-23 10:39 更新 karry •  4540
共 1 个回答
高赞 时间
0

为了了解“权重矩阵”在神经网络方面的含义,你需要首先了解单个神经元或感知器的作用。

感知器 首先,什么是感知器?感知器是一种人工神经元,它吸收多个二进制输入x1,x2,…,xn并产生单个二进制输出。

在上图显示的示例中,有三个输入x1,x2和x3。

为了计算输出,可以执行以下操作(O =输出): a)汇总输入。O = x1 + x2 + x3 b)对输入应用线性数学运算。O =(x1 * x2)+ x3

为了理解解决此问题的最佳方法,我们需要意识到,由于x1,x2和x3在这里是二进制输入,因此如果一个输入为0,则将一个或多个输入相乘可以得到0输出。如果x1或x2或两者都等于零,则方法(b)的输出为O = x3。

如果其中只有一个等于0,则由于输入值乘以0,这可能导致信息丢失。

现在,让我们看一下简单的方法(a),了解为什么它部分正确,以及我们可以做些什么来使其完全正确。

方法(a)确定将所有输入考虑在内,而其中一个不会立即受到另一个的影响。但是,它没有考虑到输入的相对重要性。 让我解释一下这是什么意思。

假设,你想制作一个感知器来预测今天是否会下雨。你有一个二进制输出为O,它的值可以为0或1,并输入x1和x2。

如果今天天气潮湿,令x1为1,反之为0。如果你今天穿着一件红色衬衫,则令x2为1,否则为0。在这里我们可以看到,身穿红色衬衫与下雨的可能性几乎没有关系。因此,可能的输出函数可以是:

O = x1 + 0.1 * x2

这就是系数0.1的作用。如果x2为0,则0.1 * x2仍为0,但如果x2为1,则0.1 * x2将为0.1,而不是1。它基本上将输入x2的重要性从1降低到0.1,因此,将其称为输入x2的“权重” 。

现在将x2视为1。O仍将是(0 + 0.1)= 0.1或(1 + 0.1)= 1.1,即不是二进制值。为了做到这一点,我们可以做的是对O的总值使用一个“阈值” 。

可以说,如果(x1 + 0.1 * x2)> 1,则O为1。 如果(x1 + 0.1 * x2)<1 ,则O =0 。这样就解决了我们的问题。

一般来说, 现在,我们做一些符号简化, 其中w = [w1 w2 w3…。wn] T,x = [x1 x2 x3…。xn]和b =-(阈值) b通常称为偏差。 注意:“ T”是移调操作。wx是矩阵乘法。

现在,你可以将这种理解应用于S型神经元或整个人工神经网络。 如果{x *(x的权重)+ y *(y的权重)+ b}> 0, 则输出= 1, 否则,输出= 0。

希望对你有帮助!

收藏
2021-01-23 11:02 更新 karry •  4540