書籍分享天地

 書-Deep Learning 用Python 進行深度學習的基礎理論實作

■神經網路

□活化函數

■sigmoid函數

□階梯函數-實作

■階梯函數-圖表

□sigmoid-圖表

■step vs. sigmoid-圖表

神經網路

前面我們用邏輯閘去試作感知器，應該對感知器有初步的印象了吧，多個邏輯閘理論上可以組成1台電腦，多個感知器可以有更多的選項，但是我們前面都是用手動的方式去調整權重，所以我們要用'神經網路'來讓他自己調整。

這是三層的神經網路，但是要調整權重的只有兩層，所以又稱'雙層網路'，所以要記得層數-1，來表示神經網路的名稱。

活化函數

活化函數(activation function)，又稱階梯函數(step function)，用h(x)表示，就是將多個輸入轉換成單個輸出，就是以臨界值來決定是否要輸出(發火)的函數，當然這種函數不可能只有一個，下面來介紹其他的'活化函數'。

把上次的文章的公式再拿出來做變化。

a=b+w1*x1+w2*x2

y=h(a)

在○中的都是'神經元'。

sigmoid函數

常用的函數之一，e是納皮爾常數2.7182....，例如輸入1.0或2.0會轉出h(1.0)=0.731..，h(2.0)=0.880...。

階梯函數-實作

這個是最基本的階梯函數，但是如果要輸入陣列的話就不行了，所以要改一下程式。

這是改良過後的，可以看到第16行，輸出為bool型態，先把bool型態轉乘int輸出。

輸出:

我們來看一下'y=x>0'會輸出什麼

大於0的會輸出'True'，小於0的會輸出'False'，轉換成int就是1跟0。

階梯函數-圖表

記得要載入函式庫

結果:

我們來看第12行，首先你會得到兩個陣列x跟y，所對應的就是輸出的線，

x=[-5，-4.9，-4.8，-4.7，........,0，0.1，0.2，0.3]

y=[0，0，0，0，.......，0，1，1，1]

sigmoid-圖表

先把這個公式變成程式。

然後再把上面的y=sigmoid(x)，就完成了。

結果:

step vs. sigmoid-圖表

--b為虛線(b=blue)，可以變換b前面的符號，google'python matplotlib 線的格式'

輸出:

我們來看看這兩個函數的差別

1.平滑度 //就是數位信號跟類比訊號

3.輸出  //回傳0跟1跟連續回傳值

共通點

1.只輸出0~1之間的數值

所以差別在於輸出的數值，只能輸出兩個數字跟可以輸出小數點，輸出小數點的能夠更靈活地去運用。

https://kknews.cc/code/ap5p2yg.html //如果你想要畫出更複雜的圖，但是不知道那個東西的名稱叫什麼，可以去這個網址看看。