1.1 深度学习概论第一讲：什么是神经网络？

告读者：开设这门《神经网络和深度学习》课程的初衷是希望可以培养成千上万的人使用人工智能，去解决真实世界的实际问题，创造一个人工智能驱动的社会。

今天让我们一起学习深度学习概论第一讲：什么是神经网络？

我们从一个房价预测的例子开始。假设有一个六间房屋的数据集，已知房屋的面积，单位是平方英尺或平方米，已知房屋价格，想要找到一个函数，根据房屋面积，预测房价的函数。

如果你懂线性回归，你可能会说：好吧！用这些数据来拟合一条直线。于是你可能会得到这样一条直线。

但奇怪的是，你可能也知道，价格永远不会为负，因此直线不大合适。它最后会让价格为负。我们在这里弯曲一点，让它结束于0.这条粗的蓝线，就是你要的函数。

根据房屋面积，预测价格。这里是0，这里的直线拟合的很好。你也可以把这个房屋加个拟合函数，看成是一个非常简单的神经网络。

我们把房屋的面积，作为神经网络的输入，称之为x。通过这个节点，这个小圈圈。最终输出的价格用y表示。这个小圈圈，就是一个独立的神经元。

你的网络实现了这个函数的功能。这个神经元所做的就是输出面积，完成线性计算。取不小于0的值，最后得到输出预测价格。神经网络文献中，经常看到这个函数。这个函数一开始是0，然后就是一条直线。这样的函数被称作Relu函数，全称是“修正线性单元”，即Relu。

“修正”指的是取小于0的值。这就是这个函数张这个样子的原因。不理解Relu的话，不用担心，后面还会讲到。

上图就是一个单神经元网格，规模很小的神经网络。

大一点的神经网络，是把这些单个神经元堆叠起来形成的。你可以把这些神经元，想象成单独的乐高积木。你通过搭积木来构建，一个更大的神经网络。

来看一个例子：

不仅仅用房屋的面积，来预测价格。现在你好友一些房屋的其他特征，知道了一些别的信息。比如卧室的数量。你可能想到，有一个很重要的因素会影响房屋的价格，就是“家庭人数”。这个房屋能住下一个三口之家、四口之家或者五口之家。这个性质和面积大小相关，还有卧室的数量，能否满足住房的家庭需求。

你可能知道邮编在一些国家，也被叫做邮政编码。邮编或许能作为一个特征，说明了步行化程度。这附近是不是高度步行化？你能否步行去杂货店或者学校？是否需要开车？有些人喜欢高度步行化的地方。另外，根据邮政编码，还有富裕程度。在美国是这样的，其他国家也可能一样。邮编体现了附近学校的质量、

我画的每一个小圈圈，都可能是一个Relu，即“修正线性单元”或者其他的不那么线性的函数。

基于房屋面积和卧室数量，你可以估算家庭人口。基于邮编，可以评估步行化程序。基于邮编，也可以评估学校质量。最后，你可能会想，人们愿意在房屋上花费多少钱和他们关注什么息息相关。

在这个例子中，家庭人口、步行化程度以及学校质量，都能帮助你，预测房屋的价格。

在这个例子中，x是所有的这四个输入，y是预测的价格，把这些独立的神经元叠加起来。

上面讲到了简单的预测器（神经元），现在有了一个稍微大了一点的神经网络。神经网络的一部分神奇之处在于，当你实现它之后，你要做的，只是输出x，就能得出输出y。不管训练集多大，所有的中间过程，它都会自己完成。

那么，你实际做的就是，这有四个输入的神经网络。输入的特征可能就是卧室的数量、邮政编码和周边的富裕程度。已知这些输入的特征，神经网络的工作就是预测对应的价格。同时，也注意到这些圈圈在一个神经网络中，它们被叫做“隐形单元”。每个的输入都同时来自四个特征。

比如说：我们不会具体说第一个节点表示家庭人口，或者说家庭人口仅取决于特征X1和X2。我们会这样说，神经网络你自己决定这个节点是什么，我们只给你四个输入特征，随便你怎么计算。因此，我们说这一层输入层，在中间的这一层。在神经网络中，连接数是很高的。因为输入的每一个特征，都连接到了中间的每一个圈圈。

值得注意的是，神经网络只要你喂给它足够多的数据，关于x和y的数据，给到足够的x、y训练样本，神经网络非常擅长于计算从X到Y的精准映射函数。

这就是一个基本的神经网络，你可能发现自己的神经网络，在监督学习的环境下，是如此有效和强大。也就是说，你只要尝试输入一个x，即可把它映射成y，像我们在刚才房价预测的例子中看到的。

【敬请期待】在下一讲中，你会看到更多监督学习的例子。有些例子会让你觉得你的神经网络对你的应用场合非常有帮助。