用可视化理解神经网络！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

译者：刘洋，中科院大学，Datawhale成员

最近，人们对深度神经网络产生了极大的兴趣，因为它们在计算机视觉等领域取得了突破性的成果。

尽管如此，仍有一些人对此表示关切。一是很难去理解神经网络真正在做什么。如果一个人训练得很好，就可以获得高质量的结果，但是要理解它是如何做到的是很困难的。如果网络出现故障，很难解释出了什么问题。

虽然理解深层神经网络的一般行为很有挑战性，但事实证明，探索低维深层神经网络要容易得多——每层只有几个神经元的网络。事实上，我们可以通过可视化来理解这种网络的行为和训练。这一观点将使我们对神经网络的行为有更深的直觉，并观察到神经网络与一个称为拓扑学的数学领域之间的联系。

接下来有许多有趣的事情，包括能够对特定数据集进行分类的神经网络复杂性的基本下界。

一个简单的例子

让我们从一个非常简单的数据集开始，平面上的两条曲线上的所有点。神经网络将试着把点分为两类。

一个最直观的方式去观察神经网络的行为（或任何分类算法），就是看看它是如何对每个可能的数据点进行分类的。

我们将从最简单的神经网络开始，这个只有一个输入层和一个输出层。这样的网络只是试图用一条线将这两类数据分开。

这种网络不够有趣。现代神经网络通常在输入和输出之间有多层，称为“隐藏”层。但这个网络好歹有一层可研究。

一个简单的网络图，来自维基百科

类似地，我们可以通过查看神经网络对其域中不同点所做的操作，来观察该网络的行为。下面这个图用比直线更复杂的曲线来分离数据。

对于每一层，网络都会转换数据，创建一个新的表示形式。我们可以查看这些表示形式中的数据以及网络如何对它们进行分类。当我们得到最终的表示时，网络只会在数据中画一条线（可能在更高的维度中，是一个超平面）。

在前面的可视化中，我们查看了数据的“原始”表示形式。你可以把它看作是我们在看「输入层」。现在我们将在它被第一层转化之后再看一看。你可以认为这是我们在看「隐藏层」。

每一个维度都对应于该层神经元的激活。

隐藏层学习的一种表示，这样使得数据可以线性分离

层的连续可视化

在上一节中概述的方法中，我们通过查看与每一层对应的表示来学习理解网络。这给了我们一个离散的表示列表。

棘手的部分在于理解我们如何从一个到另一个。谢天谢地，神经网络层有很好的特性，使这变得非常容易。

在神经网络中有各种不同的层。我们将讨论 tanh 层作为一个具体例子。一个tanh层