机器学习的简单理解

比如预测一张图片上是否有猫，首先要得到一个计算公式，把图片带进去可以计算得出1或者0，表示图片有猫和无猫两种情况。这个计算公式的输入是图片的特征，比如一张图片是64*64大小，RGB三种颜色，那么这张图片的特征数量就是64*64*3=12288这么多个，其中64*64表示图片上的像素的数量，3表示每个像素点点RGB数值，所以这种图片的特征总数就是12288个，其实就是图片上的所有点的RGB数值。图片以一维向量的方式输入到计算公式，公式里面的参数经过训练集的训练得到，可以以一定的概率通过测试集的测试，一般这个概率在95%以上。计算公式做了什么呢，其实就是将一维向量的各个元素加权求和，再加上一个偏移量，再功过一个函数转化为0-1之间的小数，如果这个小数大于0.5则认为有猫，反之无猫。

result = sigmoid(wx+b)，其中w为各元素的权重，b为偏移量，这是一个线性模型

sigmoid函数的作用就是将wx+b的结果转换到0-1区间

w和b如何得到呢，这就需要用到监督学习了，学习过程中有一个训练集，有标签（表示训练集中的图片是否存在猫咪），训练完了还有测试集，用于测试训练结果。在这个模型中，训练的对象是w和b，要不断地调整这两个参数，使得预测准确率越来越高，因此需要得到一个关于准确率和w，b的函数L，求出dL/dw，dL/db，通过梯度下降算法来更新w和b，达到不断优化的目的。其中L叫做损失函数，其实是通过交叉熵来计算，为什么用他而不知平方差求和，还需要进一步了解学习。