浅谈神经网络

首先附上一大牛的博客 http://colah.github.io/
知乎上也有一些大牛的回答：https://www.zhihu.com/question/22553761

神经元

它是神经网络的基本处理单元。

下面一部分是转载的：地址如下：https://yjango.gitbooks.io/superorganism/content/shen_jing_yuan_ben_zhi.html

[转载]

神经元的工作原理如下：

• 输入：把上方5个神经元（绿色）作为输入，每个神经元代表一个因素，以此就形成了维度为5的向量。这5个因素形成的向量可以表示一个事物的状态。
  

• 权重：神经元之间所形成的连接，决定了 W⃗  的形状。装载着 W⃗  各个连接之间的强弱。表示着从 x⃗  传递过来的电信号会以何种方式进行线性变化。

• 阈值： x⃗  经由 W⃗  的变化传递到下一个神经元（蓝色）时，会逐渐累积，但并不会立刻触发，而是当膜电位达到-55 mV时才会向下传递。

• 非线性传递的电信号并不会直接被下一个神经元接受，而是通过神经递质进行增强（正信号）或抑制（负信号）。使线性变化的增加了非线性能力。生物中有多种 a() 表示不同的非线性能力。

• 输出：经由得到的 y⃗  就可以看做1维向量，表示变化后的状态。这样一个基本动作就完成了。然而 y⃗  又可以看做为新的输入向量，通过其权重 [B1] 和其他的神经元共同作用，形成下一次的状态输出。

[转载]

---

神经网络

其实上面转载的神经元的工作原理就是一个系统的神经网络。

深层学习是借鉴了神经元的信息交互方式后，在计算机上的一种实现方式。

神经网络的三要素为：
1.突触之间的连接，一般用权重来表示。
2.对输入信号进行求和的加法器。
3.**函数：控制输入对输出的**作用；对输入输出进行函数转换；将可能无限域的输入变换成指定的有限范围内的输出。

从而，神经元 k 的输出方程表示如下 :

OR

几种常用的作用函数:
1、阈值型（硬限制型，Hardlim）
2、线性型（Purelin）
3、S型函数（Sigmoid）
4、径向基函数(Radial basis function)

层

神经网络有多个层组成，每个层其实就是一个函数function，那么整个网络就是一个所包含函数的链式组合。

神经网络的作用

• 分类：
  这是神经网络最重要的一个作用。比如人脸识别就是一个典型的应用。
  能够对输入的数据进行自动分类的机器，就叫做分类器。
  分类器的输入是一个数值向量，叫做特征（向量），比如输入一些猫和狗的照片，进行分类。
  分类器的输出也是一些数值，比如上面的例子，0表示猫，1表示狗。
  分类器如何进行分类？分类的正确率如何提高？这都是需要进行神经网络的训练。

神经网络的训练

首先开始时，输入层输入特征向量，经过多层隐层后，获得输出。判断如果输出的误差与期望的输出不符时，则最后一层的单元进行参数调整，然而同时还会导致倒数第二层也进行调整，以此类推迭代到第一层（反向传播，进行误差反转），然后继续进行正向传播，不断循环，直到输出达到满意为止。这就是神经网络的训练机制。

有个好玩的东西： http://playground.tensorflow.org/

可以调**函数、隐含层层数、每层隐含层神经元的个数、学习率，然后观察训练的结果。惊艳！！！