深入浅出——人工智能基础

简述——姚某人的第一篇博客系列^ _ ^

这是我的第一篇博客文章，这几天看东西总是看不懂了，毫无效率。所以就来总结总结以前学到的东西以及自己的理解，避免遗忘，这篇文章主要讲解神经网路结构，卷积神经网络的原理（卷积层、池化层、全连接神经网络），梯度下降算法和应用卷积神经网络的一个机器学习入门列子——基于MNIST数据集的手写数字的识别

神经网络的结构

说到什么是神经网络，首先就要先解释⼀种被称为“感知器”的⼈⼯神经元，它是在五六十年代由两位科学家提出，此处记不到名字，这也不是重点。感知器是如何⼯作的呢？⼀个感知器接受⼏个⼆进制输⼊，x 1 ,x 2 ,…，并产⽣⼀个⼆进制输出，⽰例中的感知器有三个输⼊，x 1 ,x 2 ,x 3 。通常可以有更多或更少输⼊：
说的更加通俗点，圆圈里面存在一系列数学运算，这里引⼊权重概念，w 1 ,w 2 ,…，表⽰相应输⼊对于输出重要性的实数。神经元的输出，0 或者 1，则由分配权重后的总和∑j w j x j⼩于或者⼤于⼀些阈值决定。和权重⼀样，阈值是⼀个实数，⼀个神经元的参数。⽤更精确的代数形式：，将x1,x2,x3运算在了一起最终output了。这是基本的数学模型。你可以将感知器看作依据权重来作出决定的设备。
让我举个例⼦。这不是⾮常真实的例⼦，但是容易理解，就拿今天来说，我要请咱们物联网工程系的一位女同学出去看电影（此处可以为假设，哈哈哈）。为了选电影院我需要花一些时间来结合一些情况思考这个问题，给三个因素设置权重来作出决定：

1. 天⽓好吗？
2. 她愿意陪你走的更远不？
3. 这个影院的地点是否靠近交通站点？（不能打车，只能坐公交）

你可以把这三个因素对应地⽤⼆进制变量 x 1 ,x 2 和 x 3 来表⽰。例如，如果天⽓好，我们把x 1 = 1，如果不好，x 1 = 0。类似地，如果她愿意陪你走的更远，x 2 = 1，否则 x 2 = 0。x 3也类似地表⽰交通情况。你可以把这三个因素对应地⽤⼆进制变量 x 1 ,x 2 和 x 3 来表⽰。

现在，假设你是一个对天气非常重视的人，以⾄于她是否愿意陪你走的更远，影院的地点是否靠近交通站点。但是也许你确实厌恶糟糕的天⽓，⽽且如果天⽓太糟你也没法去万达影城这样太远的地方。你可以使⽤感知器来给这种决策建⽴数学模型。⼀种⽅式是给天⽓权重选择为 w 1 = 6 ，其它条件为w 2 = 2 和 w 3 = 2。w 1 被赋予更⼤的值，表⽰天⽓对你很重要，⽐那位女同学的决策都更加重要，或者最近的交通站重要的多。最后，假设你将感知器的阈值设为 5。这样，感知器实现了期望的决策模型，只要天⽓好就输出 1，天⽓不好则为 0。对于那位女同学的想法，或者附近是否有公共交通站，其输出则没有差别

很明显，感知器不是⼈做出决策使⽤的全部模型。但是这个例⼦说明了⼀个感知器如何能权衡不同的依据来决策。这看上去也可以⼤致解释⼀个感知器⽹络能够做出微妙的决定：

上图就