《神经网络编程》读后感 1.2持续更新

一台简单的预测机

让我们先从构建超级简单的预测机开始。

现在我们带入场景，你就是一台计算机，现在“人类”让你做一件事，你的思维应该是什么样子的，是不是应该是：
有问题 ->思考方法->解决问题（答案）
但？这是人类的思维，你应该是计算机，角色错了。

你的思维不应该是： 输入值 ->计算值->输出值

这样你才像计算机啊，一个无情的机器，不停的计算着出入的值，也不停的输出计算后的值。

经过上面的思维板证，你现在应该是一个完美的计算机了，接下来，我们试着计算一些数据来验证这个思维：
3 X 4 = ？

因为你是计算机，你只能用自己“笨拙”的想法去计算“3 * 4”，无非就是 4 + 4 +4，两者结果是一样的，但是后者对于你来说，几乎没什么深层的逻辑（不要否定乘法不难，对于计算机来说那是“破天荒”）。

你已经开始神经网络编程了……

上面的案列已经解决了一个简单的问题，感觉神经网络就这？！太简单了吧，

没关系，现在我们把难度提高，让他稍微复杂一些，解决进制转换的问题：

将测量距离单位“千米”转换成“英里”。

这个问题，人类就需要给我们更多的提示（程序）了，因为我没法进行简单的相加就可以得到结果；

我们使用以下两个案例来观察一下，

千米和英里是什么关系，因为我们的笨拙，我们只能看到他们存在一定的“线性关系”，因为随着千米的变大，英里也变大了。
那我们就沿着这条线索走下去，我们假设他们的关系是这样的：英里=千米×C C为常数。

开始！

1. C = 0.5 看看会怎么样。
   

很显然，结果不是我们想要的，因为和预想的结果差了一点，我们预想的结果应该是62.137，但输出来的结果是50，中间差了62.137 -50 = 12.137。

虽然结果不对，但是我们欣慰的是，结果没有差很大（绝对的安慰自己）。

我们的第一步获得一个结果，同时也会获得一个误差，这个误差可以展现出一件事情：我们和真实的结果还有多远。

2. C = 0.6 接下来，我们继续努力，再去试一次：
   
   这一次呢，我们又获取了一个结果和一个误差，分别是 60 和 2.137 ，这次我们做个不错，感觉有希望了，因为误差从原来的 12.137 到现在的 2.137，小了很多，我们趁着“革命热情”未退，继续……

3. C = 0.7 我们更近一步，把 C 在往上调一下：
   

结果好像不是很好，因为误差比上次大了，现在是 -7.863 了，出现了负数，这代表什么，代表我们超了，有点过头，我们需要减一下，那我们就减一下吧。

4. C = 0.61 比第二次多一丢丢，生怕超了，

这次的结果让我笑开了花，误差出现了至今的最小值，感觉我们还可以继续，胜利就在前方，可以告诉你的是，我们的确可以继续，但是我们就不探讨剩下的过程了，无非就是调节参数，不停的接近结果。

无论你是否相信，我们刚刚所做的，就是走马观花地浏览了一遍神经网络中学习的核心过程。我们训练机器，使其输出值越来越接近正确的答案。

现在你去想一件事情，为什么不直接给一个公式，直接套取结果呢，而是在不停的修改参数去接近这个结果，但是我们人类的智慧不也是这样，一直在不停的修改，从一开始的地球中心说，到宇宙论，从地平说到地圆说，从一个简简单单的计算机到闻名世界的打败人类围棋高手的AlphaGo（阿尔法狗），一些人将这种方法称为迭代，意思是持续地、一点一点地改进答案。

总结：
*
所有有用的计算机系统都有一个输入和一个输出，并在输入和输出之间进行某种类型的计算。神经网络也是如此。
*
当我们不能精确知道一些事情如何运作时，我们可以尝试使用模型来估计其运作方式，在模型中，包括了我们可以调整的参数。如果我们不知道如何将千米转换为英里，那么我们
*
可以使用线性函数作为模型，并使用可调节的梯度值作为参数。
*
改进这些模型的一种好方法是，基于模型和已知真实示例之间的比较，得到模型偏移的误差值，调整参数