Python深度学习 Python深度学习基础，在本章中，我们将研究 Python 深度学习的基础知识。了解不同的深度学习模型/算法。
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
- 递归神经网络
- 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，神经网络可能具有输入，其中图像中的各个像素 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。这是神经网络试图解决问题时大部分工作发生的地方。仔细观察隐藏层可以揭示很多关于网络已经学会从数据中提取的特征。
通过选择哪些神经元连接到下一层中的其他神经元，可以形成不同的神经网络架构。
计算输出的伪代码
以下是计算前向传播神经网络输出的伪代码-
- # node[] := 拓扑排序的节点数组
- # 从a到b的边意味着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，最后S个节点是输出节点。
- # incoming[x] := 连接到节点 x 的节点
- # weight[x] := 传入边到 x 的权重
对于每个神经元 x，从左到右 –
- if x <= R: 什么都不做 # 它是一个输入节点
- inputs[x] = [output[i] for i in incoming[x]]
- weighted_sum = dot_product(权重[x], 输入[x])
- output[x] = Activation_function(weighted_sum)
Python深度学习 Python深度学习基础
