1.1.2 【Deep Learning翻译系列】 What is Neural Network 什么是神经网络

我们把神经网络的输入（house的大小）称之为x。它进入这个节点，这个小圆圈，然后输出我们称之为y的价格。所以这个小圆圈是一个神经网络中的单个神经元，它实现了我们在之前绘制的这个功能。

所有的神经元都会输入大小，计算这个线性函数，取最大值为零，然后输出估计的价格。

顺便说一下，在神经网络文献中，你会经常看到这个函数。这个函数有时会变成零，然后它会变成一条直线。该功能称为ReLU功能，代表整流后的线性单元（REctified Linear Unit）。所以简写为R-E-L-U。Rectify的意思是最大值为0，这就是为什么你得到这样的函数形状。

您现在不需要担心ReLU单元，但这只是您在本课程后面再次看到的内容。因此，如果这是一个单一的神经元，神经网络，实际上是一个小小的神经网络，那么通过接收许多单个神经元并将它们堆叠在一起形成更大的神经网络。所以，如果你想到这个神经元就像是一个单一的乐高积木，那么你就可以通过堆积许多这些乐高积木来获得更大的神经网络。我们来看一个例子。

比方说，我们不是仅仅从尺寸上预测房子的价格，而是您现在拥有其他功能。你知道关于房子的其他情况。比如卧室的数量，你可能会认为真正影响房子价格的东西之一是家庭规模，对吧？那么这栋房子能适合你三口之家，四口之家还是五口之家？它的确基于平方米或平方米的尺寸，以及决定一栋房子是否适合您家庭的家庭规模的卧室数量。然后，也许你知道邮政编码，而邮政编码可能会告诉你可行性：这个社区是适合步行的吗？方便步行去杂货店、学校吗？你日常需要开车吗？有些人喜欢高度适宜步行的社区。然后邮政编码以及财富可能会告诉你，对。当然在美国也是其他一些国家，也需要告诉你附近学校的质量有多好。

因此，我绘制的这些小圆圈中的每一个都可以是这些ReLU，校正后的线性单位或其他稍微非线性函数中的一个。因此，根据卧室的大小和数量，你可以估算他们的家庭人数；根据邮政编码，你可以知道附近步行的方便性；根据邮政编码和财富，你可以估计学校的质量。最后，人们为房子支付多少钱，取决于对他们真正重要的事情。这种情况下，家庭规模，步行方便性、学校质量，可以帮助您预测房子的价格。

所以在这个例子中x是所有这四个输入，而y是你试图预测的价格。因此，通过将上面幻灯片中的一些单神经元或简单预测因子堆叠在一起，我们现在有了一个稍大的神经网络。你如何管理神经网络是当你实现它的时候，你需要给它的输入x和输出y作为你的训练集中的一些例子，而所有这些东西都在中间，他们会自行计算出来。

所以你实际上实现的是：你有一个有四个输入的神经网络——输入可能是大小、卧室数量、邮政编码以及附近的财富。给定这些输入特征后，神经网络的工作就是预测价格y。还要注意，这些圆圈中的每一个都被称为神经网络中的隐藏单元，它们每个都将全部输入四个特征。

我们不能说第一个节点就一定代表家庭规模，并且家庭规模仅取决于特征X1和X2。相反，我们会说，好的神经网络，你可以决定你想要的任何事情。我们会给你所有的四项功能来完成你想要的任何功能。所以我们说输入层和神经网络中间的这个层是完全相连的。因为每个输入功能都连接到中间的这些圆圈中的每一个。关于神经网络的一个值得注意的事情是，给定足够的关于x和y的数据，给出足够的x和y训练样例，神经网络非常适合计算从x到y准确映射的函数。

所以，这是一个基本的神经网络。事实证明，当你建立你自己的神经网络时，你可能会发现它们最有用，在监督式学习（输入x并将它映射到某个输出y）中最强大，就像我们刚刚在房价预测的例子中看到。在接下来的视频中，我们将介绍更多监督式学习以及可能您的应用可能有极大帮助的示例。