神经网络原理1

我们先来看几个神经网络的例子：

物体识别

语音识别

微软识花

帮助决策，判断

他们的共同特征就是我们给出一张图片，一个语音（输入），他们能给出一个结果（输出）他们是如何实现的，工作原理是什么，我们如何建立一个神经网络

我们把这一部份拆开看一下

它包含了两层结构，并且每层都有4个节点

还包含了大量wxx,bxx

这些bxx,wxx是整个神经网络的关键，通过这些wxx,bxx的值，可以对每个输入的内容进行判断，然后结出结果

 

整个神经网络的核心就是计算出这些wxx,bxx的值

至于我们要设计几层结构，每层多少个节点，需要根据项目的需求进行处理

 

接下来我们来看一下这些wxx,bxx是如何生成的

计算机只能处理数字，所以我们还是以上面的识花模型来解释，每一张图片所代表的花的名字，我们需要将他转换为相应的数字，如【1，0，0，0】代表菊花，【0，1，0，0】代表玫瑰花，【0，0，1，0】，【0，0，0，1】代表杜鹃

我们将每一张图片输入到神经网络中，神经网络将按照一定的步骤，将图片的每个点的数值xW+b 然后通过一个函数输入给下一层神经网络直到最后层，计算得出一个结果，

如将菊花的图片输入，计算出的可能是【0，0，0，1】这与菊花代表的数字不一样，

 

接下来就是调整w,b的值的时候了，神经网络会将计算出的结果【0，0，0，1】与图片代表的真实的代号【1，0，0，0】进行比较，计算他们的差值，每个w,b对这个差值的贡献程度不一样，神经网络会进行按贡献度的不同而进行相应的调整，如果差值大，贡献度大的w,b就会进行大的调整，如果小则小调整；

 

一个完整的循环如下

 

 

 

如果只有一张图像，我们可以直接调整到位就行，而如何有多张图像，对第一张图像调整的值并不一定适合下一个图像的，所以我们需要一次只调整一小点，然后重复多次，直到对所有的图片，计算的结果与真实的结果相同；这个调整的幅度一般叫做学习率a

 

正向过程，反向过程，一般的神经网络工具都替我们完成好了，我们所需要做的只是

1.设计框架结构（要几层神经网络，一层有多少个节点）

2.选择激活函数，初始化wxx,bxx的值

3.选择反向传播的算法

 

然后通过不断的训练，生成w,b，框架结构保存，然后就可以使用这个模型进行识别了