{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":195,"pdf_page":211,"physical_index":211,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"d7308dea0d20c57287b95476918e6d3968bf65335fe364dcae324c6a2aafd263"},"chapter":"第7章","content":"$1 / ( 1 + e ^ { \\wedge } - Z )$ 。这个过程可以用图7-3表示，其中 $\\mathbf { X } _ { 1 }$ ${ \\bf X } _ { 2 } .$ ${ \\bf X } _ { 3 }$ 为输入变量，也是我们数据集中的特征，将它们线性组合得到一个数值，再对这个数值进行sigmoid函数变换，得到yhat，从而可以预测实际的 ${ \\tt y }$ 9\n\n逻辑回归模型本质上是一个浅层神经网络（ShallowNeuralNetworks）。这里它只有输入层和输出层。输入层经过线性组合，然后被施加一个函数，这里把这个函数叫作激活函数（ActivationFunction），随后得到输出层的结果。我们把它暂时称为“简单结构”。如果我们在输入层和输出层之间加入中间层，那么一个严格意义的神经网络就形成了，如图7-4所示。\n\n这个模型与图7-3相比，在输入层和输出层之间多了一个隐藏层（HiddenLayer），这个隐藏层有三个神经元，它们在结构图中作为节点与前一层（输入层）的节点 $( \\mathbf { \\boldsymbol { x } } _ { 1 } , \\mathbf { \\boldsymbol { x } } _ { 2 } , \\mathbf { \\boldsymbol { x } } _ { 3 } )$ 通过有向线段两两相连。听起来复杂，如果我们把中间三个神经元分开来看，每一个神经元与上一层都有如图7-5所示的关系。\n\n这三张图的形式与逻辑回归模型图的形式完全相同。 $\\mathbf { X } _ { 1 } , \\ \\mathbf { X } _ { 2 } , \\ \\mathbf { X } _ { 3 }$ 通过一定的权重比例线性组合，得到一个新的数，然后这个新的数被施加一个激活函数，得到一个输出值（虽然图中没有表现出施加函数的过程，但实际上是有的）。中间层实际上就是三个“简单结构”并行运行出来的结果，并将得到的三个结果存储在中间层神经元中，然后作为新的输入变量传给下一层。这里三个“简单结构”并行运行，并不是把一个过程重复三次。虽然数据变量都是一样的，但每个结构中线性组合的权重（也就是参数）是不一定相同的。因此，三个神经元的数值是不一样的。将得到的三个数值作为输入变量传递给下一层，这个过程如图7-6所示。\n\n第7章 深度学习\n\n195","previous_page":194,"next_page":196}