神经网络随笔

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

 

文章目录

前言

一、神经网络是什么？

二、神经网络发展史

三、神经网络的结构

四、神经网络的如何完成任务的

总结

---

• 前言
• 一、pandas是什么？
• 二、使用步骤
  • 1.引入库
  • 2.读入数据
• 总结

 

---

前言

随着数据量的增多以及硬件设备的突破，还有算法的发展，神经网络（深度学习）迎来了井喷式的发展，本文主要简单的说一下神经网络的结构

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、神经网络是什么？

神经网络是机器学习的一类模型，对比于传统机器学习来讲，他的性能一般要更好，但是带来的代价就是训练时间更久，以及不可解释性。

二、神经网络发展史

神经网络主要是从感知机发展而来，但是单层的感知机不能处理异或问题，所以时代的发展，慢慢的出现了越来越复杂的网络结构，同时也出现了针对不同任务的网络，比如对于图片的任务，CNN表现的更好，对于时间序列类的任务，RNN变现的则更突出。

三、神经网络的结构

神经网络的组成可以抽象的概括为输入层、隐藏层和输出层。其中，输入层是原始数据的维度，隐藏层的作用是自动提取对任务有用的特征；输出层是输出最后任务需要的结果。

四、神经网络的如何完成任务的

为了便于说明，我们这边对手写数字的识别来举例，众所周知，数字有10个，分别为0-9，如何设计神经网络，让他能够认出这些不同的数字呢？

第一步：我们是不是要设计一种模式，当我们输入一张图片的时候告诉我们他是几，不管他对不对。这个模式的专业名称叫做目标函数。

第二步：当第一步有结果后，我们需要做的就是判断他对不对，刚开始相当于随便猜了，概率只有10%，错的时候肯定多，所以，我们需要对于不对的样本，我们需要给他一个惩罚，最后，我们需要让这个惩罚越小越好，肯定是一个大于等于0的数，所以，如果等于0，那就是最好的，但是这又设计到一个问题，就是过拟合，咋们后面再说这个。这个惩罚也有专业的名称叫做损失函数。

第三步：有了第二步的损失后，我们就要调整我们第一步的目标函数里面的参数了，让他使这个损失一步一步减小。需要找到一个更新参数的算法。这个也有专有名称，叫做优化方法。因为大部分的问题，都没有解析解，所以我们需要使用一种叫做梯度下降的方法，来逐步求得最优解。

全部的流程就是上面的那样，接下来我们详细的讲解每一步的具体实现。

对于第一步，不同于传统的机器学习，直接设计一个显示的目标函数。在这里，我们需要设计合适的神经网络代替这个目标函数，前面说过对于图片类的任务，CNN的表现效果一般会更好，所以我们使用CNN网络结构。CNN网络和其他网络的区别在于他多了卷积操作，卷积操作的好处可以发现局部像素点之间的关系，也能够发现更深层次的特征。

如何使用当下流行的神经网络框架解决实现，将放在下一篇博客中讲解。

---

总结
        以上就是今天要讲的内容，本文仅仅简单介绍了神经网络的概念，发展和流程，这是开始回顾神经网络知识的第一篇，有啥需要沟通交流，欢迎联系我。