14.1 RBF Network Hypothesis
图 14-1 RBF network
从图 14 -1 中可以看出,RBF NNet 没啥特色.就是用 RBF 核作为激活函数.为什么还要 RBF NNet 呢?难道是大家公认 RBF 核很好?数学公式多了去,岂不是有无穷多个 NNet 呢.
需要参考 《 RBF 神经网络和 BP 神经网络有什么区别? 》 .
首先 RBF NNet 计算速度很快.因为 RBF NNet 真的只有 3 层,图 14-1 的右半图是真的啊不是表意的啊(图 14-1 的左半图是表意的啊,不一定是 3 层啊啊).
其次, 在生物学中有这样的结论:"大脑里的神经元就是这么工作的.你闻到花香的时候,不会刺激到感受辣味的神经元".RBF 算是局部激活函数,离记忆点越近越容易被激活.
图 14-2
14.2 RBF Network Learning
本小节的内容,基本上是在讨论为什么不用 Full RBF NNet 以及 Full RBF NNet 的特性.后面很自然地引出第 3 小节的内容
14.3 k-Means Algorithm
14.4 k-Means and RBF Network in Action
题外话:
T1: CNN ,RBF NNet 这些 NNet 都包含着生物学意义,其它的 NNet 也应该包含着一定的意义!
来源: http://www.bubuko.com/infodetail-2469732.html