一句话解释神经网络

一句话，神经网络就是一个巨大巨复杂的公式:

y=f(x)

真的真的就这么简单。 那为什么神经网络听起来这么牛呢？ 其实只要解释三个问题： 1. 神经网络的特征及解决什么问题 2. 神经网络结构

Q1. 神经网络特征及其解决什么问题。

我在自学神经网络之前，有一个印象，神经网络很牛逼，围棋都能下。在这之前，大家觉得计算机很快，计算能力很强。但是，所有的软件，后面的逻辑都是技术大神们赋予的。

举个栗子，什么是猫。这个问题看起来特别简单，喵不喵一眼就看得出来。

但是再深入一想，躺着喵是喵，坐着的也是；露个头是喵，全身也是喵；不同的背景也是喵；不同的表情也是喵。 简直细思恐极，就是一个凭感觉的问题。

这类问题，为什么传统计算机解决不了呢？ 因为人类也无法给出准确的定义（数字化的）。

大家站在计算机的角度想想，假设一个图是28*28像素，他们收到的是28*28个数字。也就是计算机收到784个数字，然后得告诉你，这个是猫咪？这TM太难了。但是很无奈，计算机面对的就是这么个问题。

再回到这个问题，它难在哪里呢？ 难在人类无法按照以前一样，每步给出明确的指示，他必须 自己学习。

那么人类是怎么认识猫咪的呢？ 小朋友 看很多喵，看着看着就知道这是喵咪了。虽然，搞不清楚过程如何，但是这也是训练的过程。

科学家仿照人类神经学，设计了电脑神经网络。

Q2. 基础神经网络结构

关注过神经网络知识的同学，肯定看过类似下面的图。一个神经网络包含几个部分： 1. 神经元 2. 激励函数 3. 神经层

什么是计算机里面的神经元呢？

简单来说就是一个计算节点。 再通俗点就是一个公式：

y= w * X + b

X 就是输入值， y 是输出值。w和b 是每个神经元的参数。

再直接点，我们假设有一个超超超级简单的神经网络，TM就一个神经元。那么当我们输入值X 是1， 也假设W和b 都是1， 那么输出值y就是2.

这么看起来神经元好像没啥用。但是这就是一个简单神经元的作用，做一点点改变。

并且每个神经元的特征就是，此神经元的参数w和b。参数决定了每个神经元所输出的值。 比如同样输入1， 不同的神经元可能输出 2 或者3

2. 神经层

假设每个神经元都是一个简单的公式。 但是如下图，当很多神经元结合起来时，那么就会形成一个超级超级复杂的公式。

OK. 第一个结论----->首先一个超级超级复杂的公式，那么就能够储存非常复杂的信息。 这是神经网络的一个强项。

一个神经网络分为：输入层，隐藏层，输出层。

假设计算机看到的是一个图片（28*28），我们需要判断是猫还是不是猫？

那么：

输入层就是 784 个像素

输出层就是一个数字（0或者1）

中间隐藏层是根据设计而来，假设就有两层，每层100个神经元

这就是整体的神经网络结构。 大家可以脑补下这个公式的复杂成都。 784的第一个像素，需要经历下一层神经网络的每个神经元（wx+b)。然后第一层100个神经元的每个计算结果都要进入下一个神经层的每个单元。 反正很复杂就是了。

3. 激励函数

激励函数有很多种，比如Relu，sigmoid。 这些名字不需要记住，他只是将每个神经元的计算结果进行一个处理。

大结论，神经网络构建的是一个非常巨大和复杂的公式。 这个巨大的公式就是模拟人类的神经网络，一个巨大复杂的网络。

Q3. 神经网络的训练

前面结论神经网络是一个很复杂的公式，类似人类的神经。 那么如果这个公式很牛逼 ，我们输入这张照片（28*28） 784个像素时，它能够输出Yes or No 就好了。

那么剩下的就是训练了嘛？ 那么训练到底是训练什么呢？

再比如，我们整个神经网络就一个神经元（单细胞哈哈哈哈），我们输入值是1，他最初是的参数（w=1,b=1）算出来就是y=2. 因为初始参数是随机的，我们希望输出是1，那么可能最终参数要变成（w=1,b=0)。

所以结论是，神经网络的训练就是神经元的训练。

OK，那么具体是怎么训练的呢？

首先回到那个一个神经元的例子：

输入值X=1 , 我们希望的输出值是 1

但是初始状态下，y=1*1+1 =2 ,输出值为2.

简单来说，差距= 2-1=1 意味着我们希望的输出值，和实际输出值的差距

如下图，就是差距是由各个参数决定的，

我们知道了差距，就是由参数决定的，那么训练参数的目标就是缩小差异。

下面部分可能有点绕，如下图，假设 ，差距和 参数可以画出一张图如下。

假设我们可以每次都取一个切线，在切线下移动一小步。那么就一定意味的差距的缩小。当下降到底部时，切线等于0，已经无法再下降。

当然大家YY下也可以知道，实际情况比这复杂。因为实际上不可能只有一个参数影响Y，可能是784百个参数影响Y， 那么就是在784维空间找最低点。

那么再回到命题，我们怎么训练神经网络认识喵呢？

首先，构建一个神经网络；

然后，输入很多个样本（喵咪的图片和非喵咪的图片）和每个样本的标签

最后，训练及测试

MD，说是一句话，又讲了这么长，大家只要明白， 神经网络是一个很复杂的公式，能处理一些“凭感觉的”问题。

如果有问题可以直接问我哦，下一期会制作一个最基础的神经网络。