Нейронные сети, персептрон и многослойный персептрон: различия и терминология - PullRequest
Новая
       56

Нейронные сети, персептрон и многослойный персептрон: различия и терминология

0 голосов
/ 09 октября 2019

https://www.mathworks.com/help/deeplearning/ref/fitnet.html - это учебник, которому я следую, чтобы понять, как подгонять данные к функции. У меня мало сомнений относительно структуры и терминологии, которые следующие:

(1) Под скрытым слоем мы подразумеваем слой, который находится между входом и выходом. Если число слоев = 1 с 10 скрытыми нейронами (как показано на втором рисунке), то это, по сути, нейронная сеть, которая называется MLP. Правильно ли мое понимание? В общем,

  • , если количество скрытых слоев = 0, мы называем NN персептроном.
  • Если количество скрытых слоев> = 1, но меньше 3, NN становится MLP
  • , если количество скрытых слоев> 3, NN называется глубоким NN, или глубоким обучением

Это правильно?

(2) Линейная или нелинейная функция отображения: получившаяся модель в конечном итоге учится отображать входные данные в выходные данные. Мы называем модель машинного обучения линейной или нелинейной или этот термин связан с функцией отображения, и функция отображения какого уровня определяет это? На основании какой функции активации слоя мы говорим, что функция отображения или модель является линейной или нелинейной? Например, на этом рисунке последний уровень является выходным, и функция активации выглядит как единичная / линейная. Но у скрытого слоя есть функция активации сигмоида, которая является нелинейной. Следовательно, является ли эта модель нелинейной функцией?

1 Ответ

0 голосов
/ 05 ноября 2019

1) на самом деле MLP, глубокое обучение и нейронные сети - это разные названия одной и той же вещи. Мне нравится думать, что один нейрон nn является логистической регрессией, а не персептроном, но оказывается, что у них обоих одинаковый подход, они подходят к гиперплоскости, разделяющей данные на классы. 2) Когда вы говорите, линейный и нелинейный, я думаю, вы имеете в виду параметрические и непараметрические алгоритмы, первые из них те, которые зависят от количества измерений ваших данных, например, линейные классификаторы, такие как персептрон, SVM, наивныйбайес и т. д., а непараметрический параметр зависит только от количества выборок, таких как knn, дерево решений и т. д. В машинном обучении есть два подхода, и ваши данные скажут вам, какой из них будет правильным, nn непараметрический. подход, так как производительность зависит от количества образцов (чем больше, тем лучше)

...