神经网络教程（一）引入

这篇文章主要通过几个简单的例子来演示神经网络

0.目标

从一组输入的样本中找到规律，并生成一个程序（函数），接受新的输入，预测结果。

1.输入输出

众所周知，在计算机内部数据是以二进制按顺序存放在存储空间的，一组有序的数字 在数学中叫做向量，所以对于神经网络而言，可以认为输入都是一个向量，同理，输出也可以当作向量处理。

在编程语言里，通常用一维数组表示向量

绝大多数时候，我们所用的数据不止一组，同时向量组可以用矩阵表示，所以我们把输入输出都当作矩阵。

这里涉及一个输入模式输出对的集合（训练数据）。每个输入向量都有一个对应的期望输出向量、或者称作是目标向量。

2.一个简单的例子

考虑输入为$X=\left( \begin{array}{ccc} 0 & 0 & 1 \\ 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 1 \\ \end{array} \right)$，输出为$Y=\left( \begin{array}{c} 0 \\ 1 \\ 1 \\ 1 \\ \end{array} \right)$的一组数据。

我们先动用真正的人工智能（就是我们自己）找下规律：

• 显然，第三列对输出没有影响，然后一、二列和输出呈现出跟或门 类似的关系。

下面我们来让计算机自动的从输入输出中学习这种规律（所谓的机器学习）。
现在我们要将一个$4*3$的矩阵映射到$4*1$的矩阵中去，最简单直观的做法的用一个$3*1$的矩阵$W$与$X$相乘。

$$Y=XW$$
那么，现在的目标就是求这个 $W$（称作权值）.

注：在这$W$的大小与输入的向量组的数量（ $X$的列数）无关，所以不管有多少组数据，对于这个模型而言$W$还是 $3*1$的

首先，我们用随机数初始化$W$:

$$W=\left( \begin{array}{c} \text{RandomReal} \\ \text{RandomReal} \\ \text{RandomReal} \\ \end{array} \right)=\left( \begin{array}{c} 0.639875 \\ 0.0906838 \\ 0.14675 \\ \end{array} \right)$$

然后计算 Y^=XW=⎛⎝⎜⎜⎜0.146750.2374340.7866250.877309