深度学习入门——神经元

1. 深度学习的本质是要理解什么是神经网络和神经元。

神经元：其实是一个数学模型：神经元在我看来其实是 一个  输入值 + 计算方式 + 输出值 。这样一个数学表达式。

一系列的神经元  连接在一起就组成了神经网络。

下图是一个典型的神经元模型：包含有3个输入，1个输出，以及2个计算功能。

注意： 深度学习中 所说的 连接  其实都是 一个 数学意义上的权值。   

假设 输入1=a1，输入2=a2，输入3=a3；  权值1=w1，权值2=w2，权值3=w3；输出=z。

上图的神经元模型用数学表达式就是： z=g(a1*w1+a2*w2+a3*w3)。其实函数g()又叫 激活函数。如何理解呢？

a1*w1+a2*w2+a3*w3的结果始终都是线性的关系，为了引入非线性，强行在输出结果上套了一个这样的函数。

神经网络就是由这样的一系列的神经元，连接（通过权值）起来的。

这句话怎么理解呢？就说 在神经网络中，每一个神经元的 输入a 其实是上一个神经元 的输出z。

为什么这样的神经网络 就叫深度学习呢？因为这样的神经网络，其实是可以做预测的。什么叫预测呢？可以理解为 完成分类任务。

什么是分类任务：给出两张图片，经过这样的神经网络预测之后，可以知道，两张图片是不是相似，相似是一类，不相似是另外一类。

为什么这样的神经元组成神经网络后，就能做分类任务呢？

其实可以这样理解：设计好一个神经网络后，组成神经网络的 神经元 都会有一系列的 权值 是未知的。

我们用很多，带有 共性的 样本去训练网络，其实是在用  这个共性来  求解  神经网络中每一个神经元的  权值。这样就完成了 一个  函数集  到 准确函数的  过程。

所以一句话理解就是：制造一个神经网络 就是在  定义一个函数集合。而训练一个神经网络 就是在 这个函数集合中找到  唯一一个函数。这个函数代表了  训练样本的 共性特征。这种共性特征 称为  目标。

这样的话，给定一个未参与训练的样本，通过 函数 计算，就能得到一个结果，而这个结果肯定会趋近于你想要的目标。从而完成分类任务。