Python 深度学习 - 基础知识

在本章中，我们将研究 Python 深度学习的基础知识。

深度学习模型/算法

现在让我们了解不同的深度学习模型/算法。

深度学习中的一些流行模型如下 −

• 卷积神经网络
• 循环神经网络
• 深度信念网络
• 生成对抗网络
• 自动编码器等

输入和输出表示为向量或张量。例如，神经网络的输入可能将图像中各个像素的 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。当神经网络试图解决问题时，大部分工作都发生在这里。仔细观察隐藏层可以揭示很多有关网络从数据中学习提取的特征的信息。

通过选择将哪些神经元连接到下一层的其他神经元，可以形成不同的神经网络架构。

用于计算输出的伪代码

以下是用于计算前向传播神经网络输出的伪代码 −

• # node[] := 拓扑排序节点数组
• # 从 a 到 b 的边表示 a 在 b 的左边
• # 如果神经网络有 R 个输入和 S 个输出，
• # 那么前 R 个节点是输入节点，后 S 个节点是输出节点。
• # coming[x] := 连接到节点 x 的节点
• # weight[x] := 传入 x 边的权重

对于每个神经元 x，从左到右 −

• if x <= R: do nothing # its an input node
• inputs[x] = [output[i] for i in incoming[x]]
• weighted_sum = dot_product(weights[x], inputs[x])
• output[x] = Activation_function(weighted_sum)