【机器学习】（基础篇七） —— 神经网络

神经网络

神经网络是一种模仿人脑神经元结构的计算模型，用于处理复杂的数据模式识别和预测问题。它由大量简单的处理单元（称为“神经元”或“节点”）组成，这些单元通过连接权重相互连接。神经网络可以学习从输入数据到输出结果之间的映射关系，从而实现对新数据的分类、回归或其他类型的预测。

神经网络的基本组成部分包括：

• 输入层：接收原始数据输入。
• 隐藏层：位于输入层和输出层之间的一层或多层，负责提取特征和进行转换。
• 输出层：提供最终预测或分类的结果。

神经网络通过调整各层间的连接权重来进行训练，以最小化预测结果与实际结果之间的差异。这一过程通常使用反向传播算法来实现。

神经网络广泛应用于许多领域，如计算机视觉、自然语言处理、语音识别等。近年来，随着深度学习技术的发展，包含多个隐藏层的深层神经网络已经取得了显著的成功。

神经网络分为很多层，通常来说，这些层位于前面的部分提取简单的特征，往后组合成为一些复杂的特征，最后识别整体，例如在图像识别中，前面的层可能只是识别一些简单的线条，然后识别人脸的器官，最后才是识别整个人脸

神经网络的层

神经网络中的层是其基本构建单元，每层执行特定的数据处理功能。以下是神经网络中常见的几种层及其作用：

1. 输入层（Input Layer）：
   • 这是神经网络的第一层，用于接收原始输入数据。
   • 输入层的节点数量通常与输入数据的特征数量相匹配。
2. 隐藏层（Hidden Layers）：
   • 隐藏层位于输入层和输出层之间，负责对输入数据进行非线性变换和特征提取。
   • 隐藏层可以有多个，每个隐藏层可以有不同的节点数量。
   • 每个隐藏层的节点通常会应用一个激活函数（如ReLU、sigmoid等）来引入非线性特性。
3. 输出层（Output Layer）：
   • 这是神经网络的最后一层，用于生成最终的预测或分类结果。
   • 输出层的节点数量通常取决于任务类型（例如，对于多类别分类问题，输出层的节点数量等于类别数量）。

神经网络中除了输入和输出比较特殊，中间的隐藏层，虽然每一层之间可能都会有不同的节点，不同的激活函数，但是其计算原理都是一样的，只要会其中的一层，相信你就可以搭建出多层的神经网络

让我们看上面图中的描述，我们在很多时候不计算输入层，将其看作layer0，输入层提供4个数据让layer1计算，分别是197，184，136，214，layer1中有三个节点，每个节点都是用sigmoid作为激活函数，算出三个答案，0.3，0.7，0.7，这三个数就是layer1层的输出，作为layer2层的输入进行处理，这样继续下去知道最终的输出层就实现了神经网络，通常的输出层都只有一个节点，因为我们希望整个模型最终只有一个输出值（表示概率或其它）

这样从输入层到输出层的激活值的传递，被称为前向传播

在实际的应用中，我们并不需要自己写激活函数，搭建神经网络，有很多优秀的工具帮我们做好集成，我们进行调用即可，最常用的就是tensorflow和pytorch，这些工具我都会在后续进行详细讲解。