神经网络设置

-1

我想在Python中为MNIST数字识别实现一个隐藏层神经网络。神经网络设置

类似如下：

   h1    
x1       z1 
       h2 
x2       z2 
1    h3 

       1

我使用大小的隐藏层200

的功能，为的位数是784

类的数量为10

每个标签都被转换成一个长度为10的矢量，该矢量在真实类的位置有一个1，在其他位置有0。

输入和隐含层之间，我将使用200 785矩阵V.

矩阵V：在I，J - 条目表示在输入层连接的第j个单元的重量隐藏层中的第i个单元。 V的第i行表示输入第i个隐藏单元的权重集合。

所述隐藏输出层之间，我打算应用矩阵W，其是由10 201

矩阵W：在I，J - 条目代表连接的第j个单元中的权重隐藏层到输出层中的第i个单元。 W的第i行是输入第i个输出单元的权重集合。

所以我从输入矩阵开始，这是n 784.有人可以解释做什么？我需要把它乘以什么，然后把结果乘以什么/怎么样？我不确定如何将这些矩阵相乘。

（我们只是调用激活函数f（）。）

我有点通过矩阵的尺寸和不知道迷惑何时/何/究竟如何使用V和W

def simulate(inputs): 
    currentActivatedValues = inputs 
    for i in range(len(self.weights)): 
     summedValues = _weights[i] * currentActivatedValues + _biases[i] 
     # Perform activation function with the summed values 
     for k in range(len(summedValues)): 
      summedValues[k] = tanh(summedValues[k]); 
     currentActivatedValues = summedValues 
    return currentActivatedValues;

问题基本上是你，包括你的初始矩阵偏置：

来源

2016-04-24 Jobs

[This]（http://neuralnetworksanddeeplearning.com/）是一个不错的和全面的介绍神经网络，并在他们的方式实现神经网络分类MNIST数据集在Python中。 – sietschie

我会为你解决这个问题，但是你需要阅读更多关于神经网络的知识来了解它是如何工作的（不要忘记，编程是90％的学习/计划和10％的编码）。因此，输入维度是n x 785，隐藏的昏暗是n x 200.权重（w）定义为：w = transpose（input_dims）* hidden_dims。您应该使用转置来使您的数据适合矩阵乘法：w = 785 x n * n x 200.这会给您一个尺寸为785x200的w，这是所需的输出。（*表示矩阵乘法）。 – TasosGlrs

这里是前馈神经网络的基本仿真步骤（从我的CPP神经网络here移植）。你应该做的是之后处理它们。

看看这个paper关于前馈神经元网络。它包括您需要设置基本配方的所有配方。

来源

2016-04-24 08:42:23 tobspr

神经网络设置

回答

相关问题