용어

전문 명사는 특정 분야의 어떤 사물에 대한 통일된 업종 명칭을 가리키며, 각 업종마다 모두 사용한다.

기본 명사의 예를 들어 설명하다

1. 뉴런

뉴런이 우리 뇌의 기본 구성 요소를 구성하듯이, 뉴런은 신경망의 기본 구조를 형성한다. 우리의 뇌가 새로운 정보를 얻을 때 우리가 무엇을 할 것인지 생각해 보세요. 우리가 정보를 얻을 때, 우리는 그것을 처리하고 출력을 만들 것이다.

마찬가지로, 신경 네트워크의 뉴런은 입력을 받고, 처리하고, 출력을 생성하며, 이 출력은 추가 처리 또는 직접 출력을 위해 다른 뉴런으로 전송됩니다.

2. 중량

입력이 뉴런에 들어갈 때, 그것은 가중치를 곱합니다. 예를 들어, 뉴런에 두 개의 입력이 있는 경우 각 입력에는 관련 가중치가 할당됩니다. 모델 교육 과정에서 가중치를 무작위로 초기화하고 업데이트했습니다.

훈련 후, 신경망은 중요한 입력에 더 높은 가중치를 부여하고, 중요하지 않다고 여겨지는 입력은 덜 중요한 가중치를 받게 된다. 가중치 0 은 피쳐가 관련이 없음을 나타냅니다.

입력이 a 이고 가중치 W 1 a 와 관련이 있으며 노드를 통과한 후 입력이 a*W 1 으로 변경된다고 가정합니다.

3. 상쇄

가중치 외에 또 다른 선형 구성요소가 입력에 적용됩니다. 이를 간격띄우기라고 합니다. 입력 가중치를 곱한 결과에 추가됩니다.

이런 편향은 주로 가중치의 범위를 바꾸는 것이다.

간격띄우기를 추가하면 결과는 *W 1+ 간격띄우기처럼 보입니다. 입력 변환의 마지막 선형 부분입니다.

4. 함수 활성화 선형 구성요소가 입력에 적용되면 비선형 함수가 적용됩니다. 이 작업은 선형 조합에 활성화 함수를 적용하여 수행됩니다.

활성화 기능은 입력 신호를 출력 신호로 변환합니다. 활성화 함수의 출력은 f(a*W 1+b) 처럼 보이고 f () 는 활성화 함수입니다.

다음 그림에서는 X 1 에서 Xn 까지 n 개의 입력과 해당 가중치 Wk 1 에서 Wkn 까지 n 개의 입력이 있습니다. Bk 라는 오프셋 값이 있습니다. 가중치에 해당 입력을 곱하고 오프셋을 더하면 * * * 와 U 가 같습니다.

활성화 함수는 U, 즉 f(u) 에 작용하며, 우리는 뉴런의 최종 출력 (예: yk=f(u)) 을 받습니다.