神经网络-------人工神经网络

一、什么是神经网络和神经元

人工神经网络（英语：Artificial Neural Network，ANN），简称 神经网络（Neural Network，NN）或 类神经网络，是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型，用于对函数进行估计或近似。

人脑可以看做是一个生物神经网络，由众多的神经元连接而成。当神经元“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位；如果某神经元的电位超过了一个“阈值”，那么它就会被激活，即“兴奋”起来，向其他神经元发送化学物质。在生物神经网络中，每个神经元与其他神经元相连。各个神经元传递复杂的电信号，树突接收到输入信号，然后对信号进行处理，通过轴突输出信号。

二、如何构建神经网络中的神经元呢？

受生物神经元的启发，人工神经网络有大量的节点（神经元），神经元接收来自其他神经元或外部源的输入，同时每个输入都有一个相关的权值（w），它是根据该输入对当前神经元的重要性来确定的，对该输入加权并与其他输入求和后，经过一个激活函数 f，计算得到该神经元的输出。

其中：

x1,x2......xn代表各输入变量；

w1,w2.....wn指各输入变量对应的参数；

b为偏置；

f为激活函数，常用的激活函数有：sigmodi,tanh,relu;

y为输出的结果

三、神经元的工作方式：

每个神经元都与其他神经元相连接，每个连接都有相应的权重（weights）。一个神经元的输出将作为另一个神经元的输入。每个神经元执行以下操作：

加权求和：将输入数据与相应的权重相乘，然后求和。

四、人工神经网络模型

目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。

1、前馈神经网络

各个神经元接受前一级的输入，并输出到下一级，模型中没有反馈，层与层之间通过“全连接”进行链接，即两个相邻层之间的神经元完全成对连接，但层内的神经元不相互连接。

2、反馈神经网络

在反馈网络中（Feedback NNs）,输入信号决定反馈系统的初始状态，系统经过一系列状态转以后，逐渐收敛于平衡状态，这一状态就是反馈网络经计算后输出的结果。

五、神经网络的学习方式

人工神经网络的工作过程主要分为两个阶段：

学习阶段，对它进行训练，即让其学会它要做的事情，此时各个计算单元状态不变，学习过程就是各连接权上的权值不断调整的过程。学习结束，网络连接权值调整完毕，学习的知识就分布记忆（存储）在网络中的各个连接权上。

工作阶段，此时各个连接权值固定，计算单元变化，以达到某种稳定状态。

六、激活函数

活函数有什么用？

　（1）引入非线性因素。　

　　在我们面对线性可分的数据集的时候，简单的用线性分类器即可解决分类问题。但是现实生活中的数据往往不是线性可分的，面对这样的数据，一般有两个方法：引入非线性函数、线性变换。

     （2）线性变换

　　就是把当前特征空间通过一定的线性映射转换到另一个空间，让数据能够更好的被分类。

激活函数是如何引入非线性因素的呢？

　　在神经网络中，为了避免单纯的线性组合，我们在每一层的输出后面都添加一个激活函数（sigmoid、tanh、ReLu等）。

1、Sigmoid函数

Sigmoid函数的优点在于输出范围有限，数据在传递的过程中不容易发散，并且其输出范围为(0,1)，可以在输出层表示概率值，如图所示。Sigmoid函数的导数是非零的，很容易计算

• Sigmoid函数的主要缺点是梯度下降非常明显，且两头过于平坦，容易出现梯度消失的情况，输出的值域不对称。

2、tanh函数（双曲正切函数）

tanh函数是sigmoid的向下平移和伸缩后的结果。对它进行了变形后，穿过了(0,0)点，并且值域介于+1和-1之间。

tanh函数是总体上都优于sigmoid函数的激活函数。

特点：

解决了Sigmoid函数输出值域不对称问题。它是完全可微分和反对称的，对称中心在原点。然而它的输出值域两头依旧过于平坦，梯度消失问题仍然存在。

3、ReLu函数

ReLU函数是目前神经网络里常用的激活函数，由于ReLU函数是线性特点使其收敛速度比Sigmoid、Tanh更快，而且没有梯度饱和的情况出现。计算更加高效，相比于Sigmoid、Tanh函数，只需要一个阈值就可以得到激活值，不需要对输入归一化来防止达到饱和。

七、正向传播算法

神经网络是用训练数据去训练网络模型并得到所需模型的过程，主要包括正向学习和反向调整两个过程。

正向学习就是从输入层开始，自底向上进行特征学习，最后在输出层输出预测结果。

反向调整就是将预测结果和标签进行对比，反向调整模型参数的过程。

正向传播的的详细原理

八、反向传播算法

反向传播(backward propagation，简称 BP)指的是计算神经网络参数梯度的方法。其原理是基于微积分中的链式规则，按相反的顺序从输出层到输入层遍历网络，依次计算每个中间变量和参数的梯度。

链式求导：

如果大家对神经网络知识感兴趣可以关注我的微信公众号，里面会分享一些知识干货。