写到哪儿算哪儿的神经网络基础-6

神经网络的优势必须再提下：从数据中学习，这里学习就是从训练数据中自动获取权重参数的过程，学习的目的是以损失函数为基准，找到使得损失值最小的权重参数。相比神经网络的优势，人工设定参数值需要的工作量非常大，特别是当参数上万上亿的时候，人工设定参数就是不可能完成的任务。

一切以数据说话，机器学习（神经网络、深度学习）都是从数据中找到模式、规则、特征，根据数据讲故事...因此，数据是机器学习的核心，这种data-driven的方法可以脱离人的参与，尝试从数据中发现答案。

思考一个具体的故事，比如：如何实现手写体5的识别：

如果让我们自己设计一个能将5正确分类的城西，会发现这个问题很难解决，每个人书写的习惯和笔迹都不一样，要从中发现规律难度非常大，因此回到原点，利用现有数据来解决问题。

方案1：先从图像中提取特征量，再用机器学习这些特征量的模式（因为是图像数据，特征量通常有SIFT、SURF、HOG等）；利用这些特征量把图像转成向量，转换后的向量使用机器学习的常见classifier进行学习。这个方案是可行的。但是，将图像转换成向量使用的特征量任然是人为设计的 ，对于不同的问题（场景），必须使用合适的特征量才能得到比较好的结果。比如，区分手写体的特征量极大可能不同于区分人脸的特征量。

方案2：利用深度学习（end-to-end machine learning，端到端机器学习，即从输入的原始数据中获取目标结果）。神经网络的优点在于：对所有的问题都可以一招制胜（流程一样），不管是识别手写体、花卉、狗脸、人脸，还是垃圾分类，都可以使用原始数据作为输入，进行端到端学习。