[机器学习]神经网络隐藏层的初步理解

关于隐藏层的意义的一些总结：

• ①当描述一个事物作为分类的依据的时候，我们可能仅仅描述的是一个“抽象”过后的特征，例如在和一个人相处后，经常会说你对他的印象怎么样，十分满分的话，打几分？这里的分数其实并不属于那个人的属性，而是对那个人的属性（身高、体重、身材、语言表达、待人接物、生活习惯等综合“感受"后给出的一个综合评价）。即将复杂概念进行了抽象化后再输出，这样更利于人的表达，否则光评价一个人可能就需要写好几页纸。这里“抽象化”的能力就是人的本能。虽然看似很方便，但是会有一个问题，即如果反过来，要通过分数来把这个人进行“好人还是坏人”分类的时候，就会很难，因为看似只有一个数据特征。实际则是一系列数据特征的集合体。
• ②如果把一个特征认为是一个维度的话，就好像将一个高纬度的物体抽象成了一个一维的点的感觉，但其实这里面蕴含了很多很多潜在信息。而隐藏层的纵向节点的布置就好像先假设这个数据里面包含了很多待挖掘的信息，通过布置节点(挖矿机）的方式去尝试获取数据中的规律（即进行从抽象再还原成具体的过程）（当然，从具体到抽象，是人的本能，可能人自己都无法表述出来,能表述也就不需要挖掘了，直接说就行了，但是如果要反过来挖掘的话，就需要通过“找规律”的方式。先让这个人给很多人评分，获取足够多的数据后，才能进行规律挖掘，而且挖掘出来的信息可能只是一些函数，人自己也是无法理解的，但确实有效。所以一般有人参与的数据，比如物品价格、工资等，都是这种情况，是经历过“高纬度”向低纬度抽象的数据，其中蕴含了其他信息。
• ③加隐藏层的目的就是人认识到了这个自身一直忽略的问题，通过计算机运算+数据的方式，去还原数据真像。那横向的增加隐藏层的深度又是为何呢？比如前面所说的身高而言，他其实是更多的信息的一个抽象：比如基因、饮食、生长环境等等，即挖掘更深层次下的信息。这里的深可以认为是更为共性的规律。越往后的隐藏层，所发现的规律的适用性越高，可能如果有足够多的隐藏层后，有足够大的计算能力时，可以发现一个适用于所有问题的普遍规律也不一定！但是，一般来说，如果仅仅只是大类的分类，则一层隐藏层就够了，如果要分得越细致，则需要隐藏层的层数就越多。能发现的规律的可能性也就越大。耗时也会越多。