《深度学习项目案例开发》课件汇总 张明 1.1使用神经网络完成服饰图像分类-基础知识-感知机 ---8.2使用BERT预训练医学语言模型-Transformer工作流程.pptx

任务1：使用神经网络完成服饰图像分类1.1任务知识-感知机

任务导入任务目标任务导学任务知识点工作任务

1.任务导入任务导入人工神经元是模拟人类神经元的计算单元，用于构建人工神经网络（ANN），是人工智能领域中的基本组件之一。Fashion-MNIST是一个经典的机器学习数据集，用于图像分类任务，包含了来自10个不同类别的服饰。本任务搭建一个人工神经网络，使用Fashion-MNIST数据集进行训练，完成服饰的分类任务。

2.任务目标知识目标了解人工神经元和人工神经网络（ANN）的基本概念了解多层感知机模型了解全连接神经网络理解激活函数的原理理解损失函数的作用和优化方法能力目标能使构建多层感知机模型能使用构建全连接神经网络能完成模型的训练拓展能力比较不同的激活函数和损失函数、优化器对分类结果的影响能进行模型调优和超参数搜索拓展能力知识任务目标

3.任务导学人工神经网络（ArtificialNeuralNetwork，ANN）是一种计算模型，灵感来源于生物神经系统。神经元通常被组织成多层结构，包括输入层、隐藏层和输出层。每个神经元接收来自前一层神经元的输入，并将加权和传递给下一层。神经网络的训练过程通常涉及使用反向传播算法来调整连接权重，以最小化预测输出与实际输出之间的误差什么是人工神经网络定义结构用途训练人工神经网络在各种领域中都有广泛的应用，包括图像识别、语音识别、自然语言处理、预测和决策等

4.任务知识感知器?感知器是一种最简单的人工神经网络模型，它由一个单层的神经元组成用于二元分类任务。感知器接收多个输入，每个输入都与一个权重相关联，然后对输入进行加权求和，并将结果传递给一个激活函数。激活函数通常是阶跃函数，根据加权和求和的结果是否超过某个阈值来输出一个二元值（0或1），表示两个类别中的其中一个。

4.任务知识感知器的作用实际上定义了一个边界超平面，这个超平面随着w和b的改变而改变，感知器可以学习将输入空间分割成两个不同的区域，从而实现二元分类任务。

4.任务知识多层感知器多层感知机（Multi-LayerPerceptron，MLP）是一种基于前馈神经网络的机器学习模型。它由多个神经网络层组成，每个层都由多个神经元组成，这些神经元通常分为输入层、隐藏层和输出层。

4.任务知识输入层输出层隐藏层接收原始输入数据，并将其传递给下一层；隐藏层，中间层，用于从输入数据中提取特征和模式。输出层，产生模型的最终输出隐藏层的神经元通过连接与前一层的神经元通信，并使用激活函数将加权和传递给下一层多层感知器多层感知器结构

4.任务知识多层感知器特点优点是简单且易于实现，但是多层感知器的输出是非0即1的值，并不能反映模型训练的渐进过程，但它只能解决线性可分问题。并且对于非线性可分问题可能会产生收敛不到最优解的情况。所以需要引入非线性激活函数，克服感知器的这些局限性，并成为处理更复杂任务的有效工具。

激活函数引入非线性特性可以实现复杂的映射关系也被用于限制输出范围还可以缓解梯度消失问题增强网络的表达能力4.任务知识

常用激活函数Sigmoid函数，将输入值映射到一个在0到1之间的连续区间，输出值介于0和1之间，它的输出值可以被视为概率值，因此常用于二元分类问题。4.任务知识

常用激活函数ReLU函数，同时在各种预测任务中表现良好。ReLU提供了一种非常简单的非线性变换。ReLU函数在输入大于0时返回输入值本身，否则返回0。它的优点是计算简单，且在实践中通常表现良好。它还可以缓解梯度消失问题，并加速网络的收敛速度。4.任务知识

常用激活函数Tanh函数（双曲正切函数）：与sigmoid函数类似，tanh(双曲正切)函数也能将其输入压缩转换到区间(-1,1)上它与Sigmoid函数类似，但是输出范围更广，且均值为0，训练速度相对快4.任务知识

常用激活函数Softmax函数通常用于多类别分类问题，它将神经网络的原始输出转换为一个概率分布，使得输出的各个类别之间的概率总和为1。Softmax函数将多个输出转换为表示概率分布的形式，便于解释和比较。4.任务知识

任务总结总结了解单个神经元工作原理多层感知机MLP的工作原理了解了激活函数的作用学习了几种常用的激活函数

敬请指导！

任务1：使用神经网络完成服饰图像分类1.2任务知识

神经网络全连接神经网络前向传播损失函数反向传播

原理人工神经元是一种模拟生物神经元功能的计算单元，通常用于构建人工神经网络是神经网络的基本组成部分，类似于生物大脑中的神经元。工作机制人工神经元接收输入信号，通过内部处理产生输出信号，并将输出传递给其他神经元。在人工神经网络中，这些神经元通过连接进行通信，形成了网络结构组成人工神经元通常包括输入权重、偏置和激活函数。输入权重用于调节输入信号的重要性，激