文章目录
- 1. 神经网络
- 2. 损失函数
- 3. 距离矩阵
1. 神经网络
构建一个神经网络步骤如下：
-
- 构建一个神经网络
-
- 构造一个学习函数
F
(
x
,
v
)
F(x,v)
F(x,v),x代表权重
A
k
,
b
k
A_k,b_k
Ak,bk，v代表样本特征向量,ReLu激活函数
v 1 = R e L u [ F ( A 1 , b 1 , v 0 ) ] → v 1 = R e L u [ A 1 v 0 + b 1 ] \begin{equation} v_1=\mathrm{ReLu}[F(A_1,b_1,v_0)]\to v_1=\mathrm{ReLu}[A_1v_0+b_1]\ \end{equation} v1=ReLu[F(A1,b1,v0)]→v1=ReLu[A1v0+b1]
- 构造一个学习函数
F
(
x
,
v
)
F(x,v)
F(x,v),x代表权重
A
k
,
b
k
A_k,b_k
Ak,bk，v代表样本特征向量,ReLu激活函数
-
- 不断循环迭代上诉公式，构建神经网络
v k = R e L u [ A k v k − 1 + b k ] \begin{equation} v_{k}=\mathrm{ReLu}[A_{k}v_{k-1}+b_{k}]\ \end{equation} vk=ReLu[Akvk−1+bk]
- 不断循环迭代上诉公式，构建神经网络
- 神经网络图如下：
2. 损失函数
神经网络损失函数如下：
L
(
x
)
=
{
1
N
∑
i
=
1
N
[
F
(
x
,
x
i
)
−
t
r
u
e
i
]
2
}
\begin{equation} L(x)=\{\frac{1}{N}\sum_{i=1}^N[F(x,x_i)-true_i]^2\} \end{equation}
L(x)={N1i=1∑N[F(x,xi)−truei]2}
- 常见的损失函数如下：
– 最小平方损失函数
– L1范数损失函数
– 交叉熵损失函数
– Hinge损失函数
3. 距离矩阵
假设我们有两个点
x
i
,
x
j
x_i,x_j
xi,xj，用D表示点之间的距离如下：
d
i
j
=
∣
∣
x
i
−
x
j
∣
∣
2
2
\begin{equation} d_{ij}=||x_i-x_j||_2^2 \end{equation}
dij=∣∣xi−xj∣∣22
- 距离向量化分解：
d i j = ∣ ∣ x i − x j ∣ ∣ 2 = ( x i − x j ) T ( x i − x j ) = x i T x i − x i T x j − x j T x i + x j T x j \begin{equation} d_{ij}=||x_i-x_j||^2=(x_i-x_j)^T(x_i-x_j)=x_i^Tx_i-x_i^Tx_j-x_j^Tx_i+x_j^Tx_j \end{equation} dij=∣∣xi−xj∣∣2=(xi−xj)T(xi−xj)=xiTxi−xiTxj−xjTxi+xjTxj
![[Linux]：进程(上)](https://img-blog.csdnimg.cn/img_convert/17f77132d4cbdac711b611dc16c62342.jpeg)
