Machine learning 神经网络是具有许多参数的复杂“线性函数”吗？ 神经网络是一种复杂的、具有许多参数的网络。 a线性函数； b非线性函数； c离散函数； d指数函数

答:a。说明：神经网络是具有许多参数的复杂线性函数

发件人：

---

我不确定NN是否只是线性函数？我们在大学的一次测验中被要求回答这个问题。但是，我认为具有非线性激活函数的NN不是线性的。

线性函数的好处是，您可以提前组合它们，因为组合线性函数会得到另一个线性函数矩阵乘法等等

---

所以，如果它只是一个线性函数，那么实际上只有一个单层网络。正是层之间的非线性变换使得层实际上是有用的，所以我要说这些是非线性函数。

线性函数的好处是你可以提前组合它们，因为组合线性函数可以得到另一个线性函数矩阵乘法等等

---

所以，如果它只是一个线性函数，那么实际上只有一个单层网络。正是层之间的非线性转换使得层实际上是有用的，因此我认为这些是非线性函数。

这个问题在描述上有点不正确。虽然你可以说神经网络的核心是矩阵尺度或n维尺度上的线性方程组，但只有非线性激活才能使它学习相关的东西

尽管如此，您可以将激活函数设置为activationx=k*x+c，在这种情况下，答案可能是复杂的线性函数。然而，线性函数的线性组合总是会产生线性函数。但是，神经网络显然学习非线性函数来解决机器学习问题

---

所以，我们不能说它们是线性函数。这个问题的描述有点不正确。虽然你可以说神经网络的核心是矩阵尺度或n维尺度上的线性方程组，但只有非线性激活才能使它学习相关的东西

尽管如此，您可以将激活函数设置为activationx=k*x+c，在这种情况下，答案可能是复杂的线性函数。然而，线性函数的线性组合总是会产生线性函数。但是，神经网络显然学习非线性函数来解决机器学习问题

---

所以，我们不能说它们是线性函数。这个问题有点模棱两可。如果我们使用线性激活函数身份激活函数，或者，如果我们没有激活函数，那么无论我们的神经网络有多少层，它所做的只是计算一个线性激活函数。所以我们最好没有隐藏层

只有在采用非线性激活函数后，神经网络才能学习相关信息。这就是为什么激活函数是非线性的

---

根据我的观点，容易把它们看成是具有多个参数的复杂非线性函数。

< P>问题几乎没有歧义。如果我们使用线性激活函数身份激活函数，或者，如果我们没有激活函数，那么无论我们的神经网络有多少层，它所做的只是计算一个线性激活函数。所以我们最好没有隐藏层

只有在采用非线性激活函数后，神经网络才能学习相关信息。这就是为什么激活函数是非线性的

---

根据我的观点，将它们看作是具有多个参数的复杂非线性函数。

NNs是函数逼近器。

它们本身不是函数

神经网络可以设计成近似输入和相应输出之间几乎任何类型的关系

每个神经元使用从简单到复杂的函数来近似目标训练行为

因此，我们可以设计一个神经网络来近似线性关系、非线性关系、指数关系，甚至是极端复杂的行为，如DeepMind、AlphaGo等

---

因此，我认为这个问题应该重新表述。

NN是函数近似器

它们本身不是函数

神经网络可以设计成近似输入和相应输出之间几乎任何类型的关系

每个神经元使用从简单到复杂的函数来近似目标训练行为

因此，我们可以设计一个神经网络来近似线性关系、非线性关系、指数关系，甚至是极端复杂的行为，如DeepMind、AlphaGo等

所以，我认为问题应该是

---

重新措辞。

单个神经元适用于线性问题，但现实世界的问题大多是复杂的，这意味着非线性。因此，ANN/NN可以产生高度非线性的函数，可以帮助我们解决非线性问题，而产生非线性函数的原因是神经元之间的加权连接。因此，神经网络是具有多个参数的复杂线性和非线性函数。

单个神经元适用于线性问题，但现实世界是如此问题大多是复杂的，这意味着非线性。因此，ANN/NN可以产生高度非线性的函数，可以帮助我们解决非线性问题，而产生非线性函数的原因是神经元之间的加权连接。因此，神经网络是复杂的线性和非线性函数，具有许多参数。

复杂与线性并不匹配。复杂并不真正匹配与线性关系很好。