P2 2.1.2 什么是神经网络
“深度学习”指的是训练神经网络,有时候规模很大,那么神经网络究竟是什么呢?在这个视频中,我会讲些直观的基础知识。
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,根据房屋面积来预测价格。这里是0,这里的直线拟合得很好。
你也许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。这几乎是最简单的神经网络了。让我画在这里。
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,最后输出了价格,用y表示。
这个小圆圈,就是一个独立的神经元。你的网络实现了,左边这个函数的功能。这个神经元所做的就是输入面积,完成线性运算,取不小于0的值,最后得到输出预测价格。
在神经网络的文献中 经常看得到这个函数,这个函数一开始是0,然后就是一条直线。这个函数被称作ReLU函数,全称是“修正线性单元”,即ReLU。“修正”指的是取不小于0的值,这就是这个函数长这样的原因。不理解ReLU函数的话,不用担心,这门课的后面,还会看到它的。
所以这是一个单神经元网络,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,现在你还有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,这样记下来。你可能想到,有一个很重要的因素会影响房屋价格,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户的家庭人数需求。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,你是否能步行去杂货店 或者是学校?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,可以评估步行化程度。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,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,上一张幻灯片里面简单的预测器(神经元),现在有了一个稍微大一点的神经网络。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,只是输入x,就能得到输出y,不管训练集有多大。所有的中间过程,它都会自己完成。
那么你实际上做的就是,这有四个输入的神经网络,输入的特征,可能是卧室的数量,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“隐藏单元”。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,我们会这么说,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个圈圈。值得注意的是,神经网络只有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例子中看到的,在下一个视频中,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。