-
使用原始人工神经元（如图10-3中的那些）绘制ANN，计算A⊕B（其中⊕代表XOR运算）。提示：A⊕B=（A∧¬B）∨（¬A∧B）。
这是一个基于原始人工神经元计算A⊕B的（其中⊕表示异或）神经网络，使用A⊕B=（A∧¬B）∨（¬A∧B）。
还有其他解决方案 - 例如，使用A⊕B=（A∨B）∧¬（A∧B）的事实，
或者A⊕B=（A∨B）∧（¬A∨∧B），等等。
image.png
-
为什么通常更喜欢使用Logistic回归分类器而不是古典感知器（即，使用Perceptron训练算法训练的单层线性阈值单元）？如何调整Perceptron以使其等效于Logistic回归分类器？
-
只有当数据集可线性分离时，经典感知器才会收敛，并且它无法估计类概率。
-
相反，即使数据集不是线性可分的，Logistic回归分类器也会收敛到一个好的解决方案，并且它可以输出类概率。
-
如果你将Perceptron的激活函数更改为逻辑激活函数（或者如果有多个神经元则更改softmax激活函数），如果你使用Gradient Descent（或其他一些最小化成本函数的优化算法，通常是交叉熵）训练它，那么它就等同于Logistic回归分类器。
-
为什么logistic激活函数是训练第一个MLP的关键因素？
逻辑激活函数是训练第一个MLP的关键因素，因为它的导数总是非零，因此梯度下降总是可以向下滚动。 当激活函数是阶梯函数时，梯度下降不能移动，因为根本没有斜率。 -
命名三个流行的激活功能。 你能画出来吗？
阶梯函数，逻辑函数，双曲正切，整流线性单元（见图10-8）。有关其他示例，请参阅第11章，例如ELU和ReLU的变体。 -
假设你有一个MLP，输入层由10个passthrough神经元组成，输入层后面是一个带有50个人工神经元的隐藏层，最后是一个带有3个人工神经元的输出层。 所有人工神经元都使用ReLU激活函数。
-
输入矩阵
的形状是什么？
输入矩阵X的形状是，其中m表示训练批量大小。
-
隐藏层的权重向量
的形状和偏置向量
的形状怎么样？
隐藏层的权重向量 -
输出层的权重向量
的形状是什么，它的偏置向量是多少？
输出层的权重向量的长度为3。
-
网络输出矩阵
的形状是什么？
网络输出矩阵Y的形状为。
-
写出计算网络输出矩阵
的函数
。 请注意，在向矩阵添加偏差项向量时，会将其添加到矩阵中的每一行，称为广播。
- 如果要对电子邮件进行分类，输出层中需要多少个神经元？你应该在输出层使用什么激活函数？ 如果你想要解决MNIST，你需要在输出层使用多少神经元，使用什么激活函数？ 回答相同的问题，让你的网络预测住房价格，如第2章所述。
-
将电子邮件分类为垃圾邮件或火腿，你只需要在神经网络的输出层中有一个神经元 ——例如，表明电子邮件是垃圾邮件的概率。在估计概率时，通常会在输出层中使用逻辑激活函数。
-
如果你想要解决MNIST，你需要输出层中有10个神经元，你必须用softmax激活函数替换逻辑函数，该函数可以处理多个类，每个类输出一个概率。
-
如果你希望神经网络像第2章那样预测住房价格，那么你需要一个输出神经元，在输出层根本不使用激活功能。
- 什么是反向传播？它是如何工作的？反向传播和反向模式自动存储有什么区别？
反向传播是一种用于训练人工神经网络的技术。
-
它首先根据每个模型参数（所有权重和偏差）计算成本函数的梯度，
-
然后使用这些梯度执行梯度下降步骤。
-
该反向传播步骤通常使用许多训练批次执行数千或数百万次，直到模型参数收敛到（希望）最小化成本函数的值。
-
为了计算梯度，反向传播使用reverse-mode autodiff（尽管在反向传播被发明时并没有被称为多次重新传播）。
-
反向模式自动编排执行正向传递计算图，计算当前训练批的每个节点的值，然后执行反向传递，一次计算所有梯度（有关详细信息，请参阅附录D）。
那有什么区别？嗯，
- 反向传播是指使用多个反向传播步骤训练人工神经网络的整个过程，每个反向传播步骤计算梯度并使用它们执行梯度下降步骤。
- 相比之下，reverse-mode autodiff只是一种有效计算梯度的技术，它恰好被反向传播使用
- 你能列出你可以在MLP中调整的所有超参数吗？如果MLP过度训练数据，你怎么能调整这些超参数来试图解决问题？
以下是你可以在基本MLP中调整的所有超参数的列表：
-
隐藏层的数量
-
每个隐藏层中的神经元数量
-
每个隐藏层和输出层中使用的激活函数。
。 通常，ReLU激活函数（或其变体之一;参见第11章）是隐藏层的良好默认值。
。 对于输出层，通常你需要用于二元分类的逻辑激活函数，用于多类分类的softmax激活函数，或者用于回归的没有激活函数。
如果MLP过度拟合训练数据，你可以尝试减少隐藏层的数量并减少每个隐藏层的神经元数量。
网友评论