数据挖掘 - Bishop 的书是否暗示神经元在第 5.3 章中会自食其力？ - 吾爱随笔录

我刚读了 Bishop 的书Pattern Recognition and Machine Learning。我阅读了关于反向传播的第 5.3 章，它说，在一般的前馈网络中，每个单元计算其输入的加权和，形式为

a_{j} = \sum_{i} w_{j i} z_{i}

$a_j=\sum\limits_{i}w_{ji}z_i$

然后书上说，上述方程中的和由非线性激活函数形式的单元的激活 $h(.)$ $z_j$ $j$

z_{j} = h (a_{j})

$z_j=h(a_j)$

我认为这个符号在某种程度上是 akward：假设我想计算，然后 $a_2$

a_{2} = w_{21} z_{1} + w_{22} z_{2} + \dots

$a_2=w_{21}z_1+w_{22}z_2+\dots$

那么是否意味着神经元与自身相连？

a_{2} = w_{21} z_{1} + w_{22} h (a_{2}) + \dots

$a_2=w_{21}z_1+w_{22}h(a_2)+\dots$

a_{2}

$a_2$