ML学习笔记第四周（三）：神经网络应用

1 实例与直观理解

上图中右图可以简化为左图形式，为了对右图的实例进行非线性分类，我们先针对左图尝试逐步建立简单的神经网络（与/或/非/异或/非异或）。
与运算：

在上图AND神经网络中，几个层分别为$\begin{bmatrix}x_0 \\ x_1 \\ x_2\end{bmatrix} \rightarrow\begin{bmatrix}g(z^{(2)})\end{bmatrix} \rightarrow h_\Theta(x)$⎣⎡​x0​x1​x2​​⎦⎤​→[g(z(2))​]→hΘ​(x)。

参数$\Theta^{(1)}=\begin{bmatrix}-30\:\:20\:\:20\end{bmatrix}$Θ(1)=[−302020​]。
或运算：

非运算：
如何构造非运算的神经网络？在$x_1$x1​前面加上一个比偏置单元大得多的负数权值即可。

异或运算：（当且仅当$x_1!=x_2时，XOR才取到1$x1​!=x2​时，XOR才取到1）
同或运算：（当且仅当$x_1=x_2时，XNOR才取到1$x1​=x2​时，XNOR才取到1）

神经网络直观理解：
这就是关于神经网络可以计算较复杂函数的某种直观解释。我们知道，当层数很多的时候，你有一个相对简单的输入量的函数作为第二层，而第三层可以建立在此基础上，来计算更加复杂一些的函数，然后再下一层又可以计算再复杂一些的函数。

多层神经网络识别手写数字：

2 神经网络应用于多分类

神经网络分类行人、汽车、摩托和卡车：

3 参考资料

1、https://www.coursera.org/