投稿 走进神经网络

今天呢就给大家稍微讲讲一些关于神经网络的简单的基本知识，其实特别有意思而且特别简单QWQ

这个神经网络啊，说来挺高深，但说简单了，也很好懂，所以咱们开始哈。

想当年，某些神犇发现啊人为什么能够思考？原因在于人体的神经网络，而神经网络由神经细胞（又叫神经元）构成。

生物的神经元

上图是一个神经元。外部刺激通过神经末梢，转化为电信号，传导到神经元，之后无数神经元构成的神经中枢，综合各种信号，做出判断，人体根据神经中枢的指令，对外部刺激做出反应。

肯定有小伙伴会问：为什么不去造个机器啊，就像大脑一样，有很多很多很多神经元。

还真有人造了这种机器。这种机器也有神经元，我们暂且称一个神经元的模型为一个感知机。

大家来看看它美丽的身躯吧！

感知机的抽象形态

上图的圆圈就代表一个感知机。

它接受多个输入（x1，x2，x3...），产生一个输出，就好比神经末梢感受各种外部环境的变化，最后产生电信号。

咱们再简单点。约定每种输入只有两种可能：1或。

如果所有输入都是1，表示各种条件都成立，输出就是1；如果所有输入都是0，表示条件都不成立，输出就是0。

嗯太没意思了，下面举个好玩的例子：

有个人叫小T，他年纪不小了，想找个女票。由于小T是个高富帅（diaosi），他的择偶标准就四条（鼓掌）：

颜值高 身材好

性格好 没男票

假设他的大脑就一根筋，这就构成一个感知器。上面四个因素就是外部输入，最后决定就是感知器的输出。

如果四个因素都是Yes（使用1表示），输出就是1（去撩撩试试）；

如果都是No（使用0表示），输出就是（算了吧）。

看到这里，你肯定会问：如果某些因素成立，另一些因素不成立，输出是什么？比如，小美长得漂亮身材好性格好，但有男票，小T还要不要去撩呢？

现实中，各种因素很少具有同等重要性：某些因素是决定性因素，另一些因素是次要因素。因此，可以给这些因素指定权重，代表它们不同的重要性。

于是呢在这种情况下，小T的智商提高了，他的一根筋能稍微动一动了，于是来看权值：

长相10（小T是个花痴）

身材7（……这怎么说呢）

性格8（起码聊得来吧）

没男票1

（不打紧，小T可是天下男人都爱(e)慕(xin)的人呢，还在乎这个…）

这时，还需要指定一个阈值(threshold)。如果总和大于阈值，感知器输出1，否则输出0。假定阈值为19，那么 25 > 19，小T决定去撩。阈值的高低代表了意愿的强烈，阈值越低就表示越想去，越高就越不想去。

嗯，小T竟然会分析问题了，巨，巨巨……

同时他还发现，可以总结经验，不断地修改权值和阈值，他相信，总有一天他会成为一名情圣。然而呢，理想是美好的现实是残酷的，每撩每败，每败每撩。终于他也不是一根筋了，他有n根筋了，甚至其中还有相互作用！！！

这么厉害吗！咱们来稍微看看他大脑的结构图！

小T的大脑结构示意图/多层感知机

wow竟然这么复杂！

时光荏苒，小T已经变成了老T，这么多年来，通过一次次的尝试，一次次的失败与成功，在大佬的帮助与自己的努力下，他成功地一次次修改着权值和阈值，终于获得了情圣的称号……

好了故事讲完了，那就再讲讲T大脑中的那奇奇怪怪的网络吧！

玻尔兹曼机机和受限玻尔兹曼机机

//编者注：原文如此2333333

神经网络中有一类模型是为网络状态定义一个“能量”，能量最小化时网络达到理想状态，而网络的训练就是在最小化这个能量函数。玻尔兹曼机机就是基于能量的模型，其神经元分为两层：显层和隐层。显层用于表示数据的输入和输出，隐层则被理解为数据的内在表达。玻尔兹曼机机的神经元都是布尔型的，即只能取0、1值。标准的玻尔兹曼机机是全连接的，也就是说各层内的神经元都是相互连接的，因此计算复杂度很高，而且难以用来解决实际问题。因此，我们经常使用一种特殊的玻尔兹曼机机——受限玻尔兹曼机（简称RBM），它层内无连接，层间有连接，可以看做是一个二部图。

玻尔兹曼机机/受限玻尔兹曼机机

RBF网络

RBF径向基函数网络是一种单隐层前馈神经网络，它使用径向基函数作为隐层神经元激活函数，而输出层则是对隐层神经元输出的线性组合。

RBF网络

ART网络

ART自适应谐振理论网络是竞争型学习的重要代表，该网络由比较层、识别层、识别层阈值和重置模块构成。

ART比较好的缓解了竞争型学习中的“可塑性-稳定性窘境”。可塑性是指神经网络要有学习新知识的能力，而稳定性则指的是神经网络在学习新知识时要保持对旧知识的记忆。这就使得ART网络具有一个很重要的优点：可进行增量学习或在线学习。

（这个没有示意图233333）

SOM网络

SOM（自组织映射）网络是一种竞争学习型的无监督神经网络，它能将高维输入数据映射到低维空间（通常为二维），同事保持输入数据在高维空间的拓扑结构，即将高维空间中相似的样本点映射到网络输出层中的临近神经元。

SOM网络

结构自适应网络

我们前面提到过，一般的神经网络都是先指定好网络结构，训练的目的是利用训练样本来确定合适的连接权、阈值等参数。与此不同的是，结构自适应网络则将网络结构也当做学习的目标之一，并希望在训练过程中找到最符合数据特点的网络结构。

结构自适应网络

好了，基本上大家都已经走入了神经网络的大门了，那么师傅领进门，修行在个人，接下来的学习就靠大家自己了！

投稿：张天翊 黎子骏 简宇卿