神经网络输出为nan 神经网络输出函数

1. 神经网络的基本概念

• 神经网络的分层：神经网络由输入层、隐藏层、输出层组成。
• 神经元之间的连接：层与层之间有神经元连接、而层内之间没有神经元连接。连接的神经元都有对应的权重。
• 输入层：负责接收输入的数据。
• 输出层：从这层获取神经网络输出数据。
• 隐藏层：输入层与输出层之间的是隐藏层。

隐藏层可以有多层。

 

 

 

2. 激活函数

 激活函数可以使神经网络逼近任意非线性函数，使得神经网络可以应用到众多的非线性模型中。

 

 

 常用的激活函数

• sigmoid
• relu

最开始，神经网络中经常使用的一个激活函数就是sigmoid函数，函数公式如下：

sign={−1+1x<0xgeq0

函数图像如下图所示：

sigmoid函数是一条平滑的曲线，输出随着输入发生连续的变化。而阶跃函数以0为界，输出发生急剧兴的变化。sigmoid函数的平滑性对神经网络的学习具有重要意义。

sigmoid函数在x过大或过小时，函数变化非常小，即梯度非常接近0，随着神经网络的加深，在使用梯度下降方法的时候，由于梯度接近0，参数更新接近0，网络开始学不到东西，即梯度消失。所以现在常使用relu激活函数，函数公式如下：

relu(x)={0xx<0xgeq0

函数图像如下图所示：

relu函数在x大于等于0时，输出的是x本身，函数变化率恒为1，这样就避免了梯度消失的情况。当x小于0时，输出为0，即神经元不被激活，这样也符合人脑内并不是所有神经元同时被激活的情况。并且，relu函数计算成本非常低，所以在神经网络过深时常使用relu函数作为激活函数。

 

3. 反向传播算法

 

4. 使用pytorch搭建卷积神经网络识别手写数字