matrix - 深度学习网络的图形表示？

Question

有人可以为我提供深度学习网络的图形表示吗？

像这样是第 1 层、第 2 层、第 3 层等，以及所有层的神经元与层中的神经元之间的权重，它们是如何连接的等等。

我不想要任何大的东西，我只想将它们显示在矩阵中，因为我实际上无法确定如何将整个网络表示为互连矩阵。

即使矩阵是 2x2 也没关系，我只想有一个可以构建的示例。

Answer 1

矩阵表示

您不会将神经元建模为矩阵。相反，您只需要将权重层表示为单独的矩阵。

0 个隐藏层
在这种情况下，您只需要一个矩阵。这将是大小：

n x m //    n: inputs,   m: outputs

矩阵的元素将相应地表示给定层中的各个权重：

n 个隐藏层
每个权重层都有自己的矩阵。矩阵的大小为：

n x m //    n: inputs to this layer,   m: outputs from this layer

具有单个隐藏层的网络的图形可视化：

计算

您将不得不在输入信号和权重矩阵之间逐步执行点积：

input_vector: 1 x n matrix,    n: number of inputs
weight_layer: n x m matrix,    n: number of inputs to this layer     m: number of outputs from this layer

input_vector.dot( weight_layer ) # forward calculation