暴打教科书之吴恩达deeplearning.ai：神经网络——举个很简单的人脸识别例子

目录

先了解下图片的构成

大致步骤

其它的一些有趣的地方

在不同数据集上的表现

---

在上一节我们了解了有关神经网络与逻辑回归的的例子，从而知道了神经网络的大致框架，今天我们举一个人脸识别的例子。

先了解下图片的构成

首先，我们给出一张图片作为输入：

假设这张照片的分辨率为1000x1000像素（也可以称作是1000x1000的矩阵），我们先了解这是什么意思：
将这张照片分为1000*1000个小正方体，每个小正方体由一个0-255之间的数字代表，代表这个格子的亮度

如果你希望得到这些像素的亮度值，并将它们展开成向量，最终得到一个列表或者向量（这将包含100,000个数据，因为1000*1000），所以现在的问题是你能否训练一个神经网络模型，使得其能够将百万像素值的特征向量作为输入，并输出图片之中人的身份。

大致步骤

那么，步骤应该很明显了，结合上一节所了解的神经网络构成，我们可以知道大致步骤：

第一步，将图片变为一个特征向量

第二步，将特征向量输入到你设计的隐藏层之中（当然，可以设计多层隐藏层，然后每层的激活值层层传递）

第三步，将你最终得到的激活值传入输出层，并且得到你要的值（例如她是某某某的概率）

用图形表示差不多是这样：

点点关注不迷路ヾ(≧▽≦*)o

其它的一些有趣的地方

有趣的事情是，如果你希望看看每个隐藏层的激活值，比如，第一个隐藏层，你大概率会看到这样子的：

这可以说明，第一个神经元正在寻找一些低垂直线之类的东东，第二个神经元在寻找类似定向线或者定向边缘之类的东东，第三个神经元在寻找一条线之类的东东。所以在神经元的最早层中，神经网络大都尝试在寻找一些非常短的线或者边缘。

如果你寻找下一个隐藏层，你大概率会发现上一步的那些线条组合到了一起，目的是寻找一些关于脸的部分：

而到下一个隐藏层的时候，神经元以及能够聚合出一些面部了（vokal好害怕，像伪人）；

最后再通过获得的这些面部尝试判断人物身份。

神经网络的神奇之处在于，没有人告诉它第一步第二步第三步该做什么，但是它可以自己学习并且在每层的特征感知器自动组合。也可以看出，每一层的激活值图像覆盖范围是越来越大的，这也意味着每层的激活值实际上对应着图像中不同大小的区域。

点点关注不迷路ヾ(≧▽≦*)o

在不同数据集上的表现

让我们看看不同的数据集在这个神经网络上的表现如何:

例如汽车。你可以发现，神经网络仍然在第一步获取了一些线条，第二层组成了一些部分，第三层形成了一些汽车，详细的就不啰嗦了：

在下面的章节中，我们将了解如何亲手创建自己的神经网络啦！

点点关注不迷路ヾ(≧▽≦*)o