Fundamentals

在本章中，我们将研究Python深度学习的基础知识。

深度学习模型/算法

现在让我们了解不同的深度学习模型/算法。

深度学习中的一些流行模型如下 -

• 卷积神经网络
• 循环神经网络
• 深刻的信念网络
• 生成对抗性网络
• Auto-encoders and so on

输入和输出表示为向量或张量。 例如，神经网络可以具有输入，其中图像中的各个像素RGB值被表示为矢量。

位于输入层和输出层之间的神经元层称为隐藏层。 这是大多数工作在神经网络试图解决问题时发生的地方。 仔细研究隐藏层可以揭示网络学习从数据中提取的功能。

通过选择哪个神经元连接到下一层中的其他神经元来形成神经网络的不同架构。

用于计算输出的伪代码

以下是用于计算Forward-propagating Neural Network输出的伪码 -

• #node []:=拓扑排序节点的数组
• ＃从a到b的边表示a在b的左边
• ＃如果神经网络有R输入和S输出，
• ＃然后，第一个R节点是输入节点，最后一个S节点是输出节点。
• #incoming [x]:=连接到节点x的节点
• #weight [x]:=传入边缘的权重为x

对于每个神经元x，从左到右 -

• 如果x <= R:什么都不做＃它是一个输入节点
• 输入[x] = [输入[i]为输入[x]中的i]
• weighted_sum = dot_product（weights [x]，inputs [x]）
• output [x] = Activation_function（weighted_sum）