{"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":311,"pdf_page":327,"physical_index":327,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"5074d93f58b4879a2725101d44b7b258503d6be6cd3e738f6e26a8c053fe8f97"},"chapter":"第10章","content":"种最简单的非线性函数，我们可以使用该函数来创建非线性模型。ReLU的优势在于操作起来非常简单，拥有更实用的响应范围。\n\nReLU\n\n实际上，所有数学函数均可作为激活函数。假设 $\\sigma$ 表示激活函数（ReLU、S型函数等），网络中节点的值由以下公式指定：\n\n$$\n\\sigma ( { \\boldsymbol { w } } \\cdot { \\boldsymbol { x } } + { \\boldsymbol { b } } )\n$$\n\nTensorFlow为各种激活函数提供“开箱即用型”支持。但是，我们仍然建议从ReLU着手。然后，可以将这些层级堆叠起来，并创建任意复杂程度的神经网络。总之，我们的模型拥有了人们通常所说的“神经网络”所有标准组件：\n\n●一组节点，类似于神经元，位于层中。\n\n●一组权重，表示每个神经网络层与其下方的层之间的关系。下方的层可能是另一个神经网络层，也可能是其他类型的层。\n\n●一组偏差，每个节点一个偏差。\n\n●一个激活函数，对层中每个节点的输出进行转换。不同的层可能拥有不同的激活函数。\n\n还需要注意的是，神经网络不一定始终比特征组合好，但它确实适用于特征组合很难处理的场景。\n\n10.1.4 实例代码\n\n下面我们用TensorFlow的DNNRegressor类来定义一个神经网络(Neural Network，NN)和它的隐藏层。然后训练一个神经网络来学习数据集中的非线性，并展示神经网络比一个线性回归模型能获得更好的性能。我们先装载数据：\n\n第10章 神经网络\n\n311","previous_page":310,"next_page":312}