人工神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或者計(jì)算模型。其實(shí)是一種與貝葉斯網(wǎng)絡(luò)很像的一種算法。之前看過一些內(nèi)容始終云里霧里，這次決定寫一篇博客。弄懂這個(gè)基本原理，畢竟現(xiàn)在深度學(xué)習(xí)太火了。

神經(jīng)網(wǎng)絡(luò)是一種方法，既可以用來做有監(jiān)督的任務(wù)，如分類、視覺識(shí)別等，也可以用作無監(jiān)督的任務(wù)。首先，我們看一個(gè)簡(jiǎn)單的例子。如下圖所示(這個(gè)圖網(wǎng)上有很多人引用了，但我找不到出處，歡迎指正)，如果我們想訓(xùn)練一個(gè)算法可以使其識(shí)別出是貓還是狗，這是很簡(jiǎn)單的一個(gè)分類任務(wù)，我們可以找一條線(模型)，在這個(gè)二元坐標(biāo)中進(jìn)行“一刀切”，把這兩組數(shù)據(jù)分開。我們知道，在解析幾何中，這條直線可以用如下的公式表達(dá)：

圖1 貓狗數(shù)據(jù)

圖2 一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)

這里的W1和W​2就是兩個(gè)坐標(biāo)軸上的系數(shù)，可以稱為權(quán)重。W​0​可以稱作截距，也叫做偏移。新來一個(gè)數(shù)據(jù)點(diǎn)，也就是一組輸入值(X1,X2)，如果在這條線的左邊，那么它就是一只狗，如果在右邊就是一只貓了。這就可以用一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)來表示。如圖2所示，X1和X2分別是輸入值，Y是輸出值，兩條邊的權(quán)重分別是W1和W​2。這是一個(gè)最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)了。這就是使用神經(jīng)網(wǎng)絡(luò)定義了一個(gè)線性分類器了。這里的一個(gè)圓形的節(jié)點(diǎn)就是一個(gè)神經(jīng)元。我們也可以采用另一種方式，即在輸入輸出之間加一個(gè)中間節(jié)點(diǎn)S，然后增加一個(gè)輸出層，包括兩個(gè)節(jié)點(diǎn)Y1和Y2，分別對(duì)應(yīng)貓和狗，最后哪個(gè)輸出節(jié)點(diǎn)的值大，那么這個(gè)數(shù)據(jù)就屬于哪個(gè)類別(貓或者狗)。

對(duì)于簡(jiǎn)單的二分類問題這就可以解決了。但在實(shí)際情況中，有很多問題無法簡(jiǎn)單的使用“一刀切”的方式解決，如圖3所示，假設(shè)貓和狗的數(shù)據(jù)分布如下圖，那么這就無法用“一刀切”的方式來解決了，但是我們可以切兩刀，橫豎各一刀，然后把相同的“塊”聯(lián)合起來，這樣就解決了比較復(fù)雜的分類問題了。也有些問題，需要用曲線來分割。在這種情況下，我們就需要比較復(fù)雜一點(diǎn)的神經(jīng)網(wǎng)絡(luò)了。以曲線為例，我們可以設(shè)計(jì)出一個(gè)三層的神經(jīng)網(wǎng)絡(luò)。這就是用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的一個(gè)非線性分類器。理論上講，如何一個(gè)分類器都可以設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)來表征，也就是說，不管實(shí)際圖形如何，我們都可以設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)來擬合。到這里，可能有人問，每個(gè)節(jié)點(diǎn)的這個(gè)函數(shù)要如何選擇?根據(jù)吳軍老師《數(shù)學(xué)之美》第二版中的說法，為了提供人工神經(jīng)網(wǎng)絡(luò)的通用性，我們一般規(guī)定每個(gè)神經(jīng)元的函數(shù)只能針對(duì)其輸入的變量做一次非線性的變換。舉個(gè)例子說就是假如某個(gè)神經(jīng)元Y 的輸入值是X1,X2,...Xn，它們的邊的權(quán)重分別為W1,W​2,...Wn,那么計(jì)算Y節(jié)點(diǎn)的值分兩步進(jìn)行，第一步是計(jì)算來自輸入值的線性組合：

第二步是計(jì)算y=f(G)，這里的f(⋅)可以使非線性的，，但因?yàn)槔锩娴膮?shù)是一個(gè)具體的值，所以不會(huì)很復(fù)雜。這兩個(gè)步驟的結(jié)合使得人工神經(jīng)網(wǎng)絡(luò)既靈活又不至于太復(fù)雜。這里的f(⋅)就是激活函數(shù)。線性模型的表達(dá)能力不夠，它的作用就是來增強(qiáng)模型的表示能力。人工神經(jīng)網(wǎng)絡(luò)可以很多層連接在一起，因此在人工神經(jīng)網(wǎng)絡(luò)中，主要的工作就是設(shè)計(jì)結(jié)構(gòu)(基層網(wǎng)絡(luò)，每層幾個(gè)節(jié)點(diǎn)等)和激活函數(shù)。我們常用的激活函數(shù)包括Sigmoid函數(shù)、ReLU函數(shù)、Tanh函數(shù)等等。如下圖所示，這是幾種簡(jiǎn)單的激活函數(shù)的示意圖( https://ypwhs.gitbooks.io/nnplayground/content/Activation.html )