阅读记录

第567章 多层感知机[2/2页]

职场小聪明 翟晓鹰

设置 ×

  • 阅读主题
  • 字体大小A-默认A+
  • 字体颜色
p; 国王向顾问们提交候选人名单,每个顾问按照自己擅长的领域打分,然后层层传递,最终大祭司给出决策。
      数学上,这就是:
      1.
      每一层计算:
      2.
      通过激活函数:
      3.
      最终输出预测结果
      。
      但如果这个决策结果和实际情况不符呢?国王如何优化顾问们的判断呢?这就需要反向传播。
      (2)反向传播(Backpropagation)
      国王发现大祭司的决策和真实情况不符,比如他选了一位很强但不忠诚的战士。于是,他计算误差,并将这个信息反馈给顾问们,让他们调整评分标准。
      数学上:
      1.
      计算损失(Loss),衡量预测值和真实值的误差:
      2.
      计算梯度,调整每一层的权重:
      其中,
      是学习率。
      这就是梯度下降(Gradient
      Descent),通过不断调整权重和偏置,使得最终预测更接近真实值。
      最终,国王的顾问系统变得越来越精准,每一轮决策都会比上一轮更好。
      4.
      MLP
      的现实应用
      多层感知机在很多领域都有应用,特别适用于需要学习非线性关系的问题:
      (1)图像识别
      ?
      输入层:像素数据(RGB
      值)。
      ?
      隐藏层:识别边缘、颜色、形状等特征。
      ?
      输出层:判断这是一只猫还是一只狗。
      (2)自然语言处理
      ?
      输入层:单词或句子。
      ?
      隐藏层:学习语法结构、词义关联。
      ?
      输出层:生成文本、回答问题。
      (3)金融预测
      ?
      输入层:股票价格、经济指标。
      ?
      隐藏层:分析趋势、市场情绪。
      ?
      输出层:预测未来价格走势。
      5.
      结论
      ?
      单层感知机(Perceptron)
      只能处理简单问题,无法学习复杂的非线性关系。
      ?
      多层感知机(MLP)
      通过多个隐藏层,使得神经网络可以学习更深层次的特征。
      ?
      前向传播(Forward
      Propagation)
      计算预测值,反向传播(Backpropagation)
      通过梯度下降优化参数,使模型不断学习和提高准确性。
      ?
      MLP
      是深度学习的基础,后来的卷积神经网络(CNN)、循环神经网络(RNN)等都是在它的基础上发展出来的。
      最终,国王成功地通过“多层感知机”找到最合适的守护者,而现代
      AI
      也通过
      MLP
      实现了从图像识别到金融预测的突破!

第567章 多层感知机[2/2页]