一个神经网络可以输入两个矩阵吗 神经网络中一个神经元

一、神经元模型

1.神经网络的定义：神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体作出交互反应。

2.神经元：神经网络中最基本的成分是神经元模型。某一神经元的点位超过某一“阈值”，它会被激活，变为“兴奋”状态，向其他神经元发送化学物质。

图中x1,x2...xi,xn为来自第i个神经元的输入，wi 表示第i个神经元的的权值，θ表示当前神经元的阈值，y表示输出。

       在这个模型中，神经元接受来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接受到的总输入值将与神经元的阈值进行比较，然后通过激活函数产生神经元的输出。

激活函数如下图所示：

sigmoid激活函数连续、光滑、可导。将输入值都挤压到（0,1）之间。

3.感知机

感知机的详细知识在我的博客有详细说明。

        感知机由两层神经元构成，但是只有输出层神经元进行激活函数处理，即只拥有一层功能神经元。它可以实现逻辑与、或、非运算，但是感知机不能解决非线性问题。要解决非线性问题，需要考虑使用多层功能神经元。简单的两层感知机就能解决异或问题。输出层和输入层中间的一层神经元，称为隐层或隐含层。隐含层和输出层神经元都是含有激活函数的功能神经元。

神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权”以及每个功能神经元的阈值。

4.误差逆传播算法

        多层网络的学习能力比单层感知机更为强大，训练多层网络，简单的感知机学习规则不能够执行这项操作，就需要更为强大的学习算法。误差逆传播（error BackPropagation,BP）算法是其中最杰出的代表。BP算法不仅可以用于多层前馈神经网络，还可用于其他类型的神经网络。