深度学习入门 : 基于Python的理论与实现

  第 3章　神经网络

38

也称为隐藏层。“隐藏”一词的意思是，隐藏层的神经元（和输入层、输出

层不同）肉眼看不见。另外，本书中把输入层到输出层依次称为第 0 层、第

1 层、第 2 层（层号之所以从 0 开始，是为了方便后面基于

Python

进行实现）。

图 3

-

1 中，第 0 层对应输入层，第1 层对应中间层，第2 层对应输出层。

输出层输入层

中间层

图3-1　神经网络的例子

图3-1中的网络一共由3层神经元构成，但实质上只有2层神经

元有权重，因此将其称为“2层网络”。请注意，有的书也会根据

构成网络的层数，把图3-1的网络称为“3层网络”。本书将根据

实质上拥有权重的层数（输入层、隐藏层、输出层的总数减去1

后的数量）来表示网络的名称。

只看图3

-

1 的话，神经网络的形状类似上一章的感知机。实际上，就神

经元的连接方式而言，与上一章的感知机并没有任何差异。那么，神经网络

中信号是如何传递的呢？

3.1.2

　复习感知机

在观察神经网络中信号的传递方法之前，我们先复习一下感知机。现在

3.1  从感知机到神经网络 

39

来思考一下图3

-

2 中的网络结构。

x

1

w

1

x

2

w

2

y

图3-2　复习感知机

图 3

-

2 中的感知机接收x

1

和 x

2

两个输入信号，输出y。如果用数学式来

表示图3

-

2 中的感知机，则如式（3.1）所示。