神经网络中隐藏层的作用是什么?

数据挖掘 神经网络 深度学习
2022-02-19 23:47:27

位于输入层和输出层之间的神经网络的隐藏层接收输入数据并应用函数从每个节点生成数据,然后由下一层加权。

我看到它解释的方式是例如预测图像是否是公共汽车,节点学习是否有轮子,轮胎等或预测一个人是否喜欢文档,隐藏层节点映射到是否主题是体育、历史等。

然而,隐藏层节点应用的“功能”,它们究竟映射到什么,即因变量是什么?是模型输入的输出变量吗?例如,如果我试图预测给定的图像是狗还是猫的图像,那么隐藏层是否将输入数据映射到输出变量(狗或猫)?隐藏层究竟是如何学习有用的特征的?节点如何学习不同的特征而不是相同的特征?

1个回答

因变量:是的,输出变量是因值,但是被喂食是什么意思?(我们有一个训练集和一个测试集。我们通过训练集(独立值和因值)输入我们的模型,然后预测测试集中因变量的值)

每个样本都有一些独立的特征,如温度、心率等。根据这些独立的值,预测一个特征(结果),例如,某人是否容易出现健康问题(分类问题)。所以这个依赖于独立特征(温度、心率等)的输出(健康问题)是依赖的

注意:每对自变量可能是相关的。


如果您尝试预测图像是猫还是狗,那么根据我们选择的激活函数,结果可能会有所不同。例如,如果我们选择了 sigmoid 激活函数,输出将是两个概率,确定 cat 和 dog 的概率。但是如果我们使用阈值函数,它会给出 0 或 1。


实际上,隐藏层在神经网络中的作用方式因不同类型的层而异,例如密集层、卷积层、循环层等。

例如,密集层试图找出特征(自变量)的权重应该是多少,意思是每个特征在确定输出(因变量)中的重要性,然后根据我们使用的函数(sigmoid,rectifier等)将返回每个结果的概率、具有两个结果的因变量的二元结果等。

“节点如何学习不同的特征而不是相同的特征”是什么意思?