1. 例子和直觉感受——1<br />应用神经网络的一个简单示例是通过预测 AND ,它是逻辑“与”运算符,并且仅当 ![](https://cdn.nlark.com/yuque/__latex/aa687da0086c1ea060a8838e24611319.svg#crop=0&crop=0&crop=1&crop=1&from=url&id=kwgUe&margin=%5Bobject%20Object%5D&originHeight=16&originWidth=19&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)和 ![](https://cdn.nlark.com/yuque/__latex/8732099f74d777a67257cb2f04ead3d8.svg#crop=0&crop=0&crop=1&crop=1&from=url&id=FWFte&margin=%5Bobject%20Object%5D&originHeight=16&originWidth=19&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)都为 1 时才为真。我们的函数图将如下所示:<br />![](https://cdn.nlark.com/yuque/0/2020/png/1077334/1584604025684-6a808f17-7b80-47fe-9a4f-ba010c3a5b97.png#crop=0&crop=0&crop=1&crop=1&from=url&id=H3c4G&margin=%5Bobject%20Object%5D&originHeight=71&originWidth=844&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)<br />请记住,![](https://cdn.nlark.com/yuque/__latex/3e0d691f3a530e6c7e079636f20c111b.svg#crop=0&crop=0&crop=1&crop=1&from=url&id=Zm54A&margin=%5Bobject%20Object%5D&originHeight=16&originWidth=19&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)是我们的偏差变量,并且始终为 1。<br />让我们将第一个 theta 矩阵设置为:<br />![](https://cdn.nlark.com/yuque/0/2020/png/1077334/1584604089734-4de3c3bf-4046-4083-8fa8-da1bd63c61f1.png#crop=0&crop=0&crop=1&crop=1&from=url&id=egqFz&margin=%5Bobject%20Object%5D&originHeight=38&originWidth=844&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)<br />这将导致我们假设的输出只有在 x_1 和 x_2 都为 1 时才为正。换句话说:<br />![](https://cdn.nlark.com/yuque/0/2020/png/1077334/1584604458577-51bbfffd-7a81-4196-9a7f-f9f7e81ea666.png#crop=0&crop=0&crop=1&crop=1&from=url&id=kx13K&margin=%5Bobject%20Object%5D&originHeight=131&originWidth=844&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)<br />因此,我们通过使用小型神经网络而不是使用实际的与门构建了计算机中的基本运算之一。 神经网络也可用于模拟所有其他逻辑门。 以下是逻辑运算符“OR”的示例,表示![](https://cdn.nlark.com/yuque/__latex/aa687da0086c1ea060a8838e24611319.svg#crop=0&crop=0&crop=1&crop=1&from=url&id=Zk3UY&margin=%5Bobject%20Object%5D&originHeight=16&originWidth=19&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)为真或![](https://cdn.nlark.com/yuque/__latex/8732099f74d777a67257cb2f04ead3d8.svg#crop=0&crop=0&crop=1&crop=1&from=url&id=CA8vu&margin=%5Bobject%20Object%5D&originHeight=16&originWidth=19&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)为真,或两者兼有:<br />![](https://cdn.nlark.com/yuque/0/2020/png/1077334/1584604538389-8ba02660-8556-4279-b7ac-c68652ffe704.png#crop=0&crop=0&crop=1&crop=1&from=url&id=XGCrL&margin=%5Bobject%20Object%5D&originHeight=286&originWidth=832&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)<br />其中 g(z) 如下:<br />![](https://cdn.nlark.com/yuque/0/2020/png/1077334/1584604549398-2049e7fa-5019-437c-9771-c8b770e88f2f.png#crop=0&crop=0&crop=1&crop=1&from=url&id=UEARL&margin=%5Bobject%20Object%5D&originHeight=176&originWidth=852&originalType=binary&ratio=1&rotation=0&showTitle=false&status=done&style=none&title=)

    例子和直觉感受——2
    AND、NOR 和 OR 的 Part 8-2 神经网络应用 - 图1矩阵是:
    Part 8-2 神经网络应用 - 图2
    我们可以将这些组合起来得到 XNOR 逻辑运算符(如果 Part 8-2 神经网络应用 - 图3Part 8-2 神经网络应用 - 图4都是 0 或都是 1,则给出 1)。
    Part 8-2 神经网络应用 - 图5
    对于第一层和第二层之间的转换,我们将使用组合了 AND 和 NOR 值的矩阵Part 8-2 神经网络应用 - 图6
    Part 8-2 神经网络应用 - 图7
    对于第二层和第三层之间的转换,我们将使用一个 Θ(2) 矩阵,该矩阵使用 OR 的值:
    Part 8-2 神经网络应用 - 图8
    让我们写出所有节点的值:
    Part 8-2 神经网络应用 - 图9
    在那里我们有使用带有两个节点的隐藏层的 XNOR 运算符! 下面对上述算法进行总结:
    Part 8-2 神经网络应用 - 图10

    多元分类
    为了将数据分类为多个类别,我们让假设函数返回一个值向量。 假设我们想将我们的数据分为四个类别之一。 我们将使用以下示例来了解如何完成此分类。 该算法将图像作为输入并相应地对其进行分类:
    Part 8-2 神经网络应用 - 图11
    我们可以将结果类集定义为 y:
    Part 8-2 神经网络应用 - 图12
    每个Part 8-2 神经网络应用 - 图13代表一个不同的图像,对应于汽车、行人、卡车或摩托车。 内层,每一层都为我们提供了一些新信息,导致我们最终的假设函数。 设置看起来像:
    Part 8-2 神经网络应用 - 图14
    我们对一组输入的假设可能如下所示:
    Part 8-2 神经网络应用 - 图15
    在这种情况下,我们生成的类是第三个 down 或Part 8-2 神经网络应用 - 图16 ,代表摩托车。