神经网络和深度学习（3）-- 神经网络输入的表示

神经网络和深度学习
上一篇	主目录	下一篇

---

【 前言】
在 《神经网络和深度学习（1）-- 什么是神经网络》一文的例子中，我们用来训练的数据集是结构化的数据，此外还有非结构化的数据。我们应该如何表示这些非结构化的数据然后用来训练呢？本文将介绍什么是结构化和非结构化的数据，然后说明如何表示非结构化的数据类型。

---

1.结构化与非结构化数据

1. 定义：业界指关系模型数据，即以关系数据库表形式管理的数据
   简析：虽然专业角度上看，结构化就是关系模型的说法并不准确，但针对目前业内现状，还是定义为关系模型最为妥善，因为它准确的代表了我们传统上最熟悉的企业业务数据。
2. 半结构化数据
   定义：非关系模型的、有基本固定结构模式的数据，例如日志文件、XML文档、JSON文档、Email等。
3. 非结构化数据
   定义：没有固定模式的数据，如WORD、PDF、PPT、EXL，各种格式的图片、视频等。

2. 结构化数据的表示

如《神经网络和深度学习（1）-- 什么是神经网络》一文的例子中，不同的特征值作为（x1,x2,x,3,…,xn）,标签作为结果y。关于什么叫特征值（属性），标签（标记）等概念课参照我的博文：《机器学习前言之基本概念》

3. 非结构化数据的表示

图像的例子
我们来看看一张图片在计算机中是如何表示的，为了保存一张图片，需要保存三个矩阵， 它们分别对应图片中的红、绿、蓝三种颜色通道，如果你的图片大小为 64x64 像素，那么你 就有三个规模为 64x64 的矩阵，分别对应图片中红、绿、蓝三种像素的强度值。为了便于表 示，这里我画了三个很小的矩阵，注意它们的规模为 5x4 而不是 64x64，如下图所示：

为了把这些像素值放到一个特征向量中，我们需要把这些像素值提取出来，然后放入一个特征向量 。为了把这些像素值转换为特征向量 ，我们需要像下面这样定义一个特征向量 来表示这张图片，我们把所有的像素都取出来，例如 255、231 等等，直到取完所有的红色像素，接着最后是 255、134、…、255、134 等等，直到得到一个特征向量，把图片中所有的红、绿、蓝像素值都列出来。如果图片的大小为 64x64 像素，那么向量 x的总维度，将是 64 乘以 64 乘以 3，这是三个像素矩阵中像素的总量。在这个例子中结果为 12,288。现在我们用 n_x=12288来表示输入特征向量的维度，有时候为了简洁，我会直接用小写的 n来表示输入特征向量 的维度。
所以在二分类问题中，我们的目标就是习得一个分类 器，它以图片的特征向量作为输入，然后预测输出结果 y为 1 还是 0，也就是预测图片中是 否有猫：

---

神经网络和深度学习系列笔记： 传送门