学习笔记-神经网络

今天开始读《神经网络与深度学习》这本书，是从Tensorflow的官网中得到学习线索，一读之下果然由浅入深，通俗易懂，今天读完了第一小节，”使用神经网络识别喝手写数字“。

• 感知机（Perceptron）。神经网络的基础，将输入空间转换到输出空间的函数，代数形式为：f(x)=sign(w•x+b)，如下图所示：
  
• 感知机网络。通过组合多个感知机可以实现复杂的运算，每个感知机对一个单一因素进行判断，整个感知机网络可以综合所有的感知机实现最终的决策。
  
• S型神经元。神经网络学习算法的核心是学习感知机的权重w和偏置b，需要对权重（或偏置）的微小变化，能够引起输出的微小变化，通过反复迭代这这些微小变化，使输出（分类）获得更好的结果。S型神经元可以实现这个效果，它和感知机类似，但修改权重和偏重的微小变化只会引起输出的微小变化，其代数形式为：
  
  其几何图形如下：
  
• 多层感知器或MLP。神经网络的输入和输出设计很直接，以手写识别数字为例，如果输入图像是64*64的灰度图像，那么需要输入64*64=4096个神经元；输出是0~9这10个数字，每个数字的输出值大于0.5表示”输入图像是该数字“，否则不是。隐藏层的设计可以认为是一门艺术，有很多的研究人员为隐藏层的开发设计了最优法则。
• 梯度下降学习法。通过梯度下降学习法，尽可能找到最优的神经元权重和偏置，也就是代价值尽可能小的权重和偏置。梯度下降法的核心是对代价求导，也就是寻找一种选择Δv1和Δv2的方法使得ΔC为负：
  
  用∇C表示梯度向量：
  
  梯度下降算法的工作方式就是重复计算梯度∇C，然后沿着相反的方向移动，沿着山谷”滚落“：
  
  梯度下降的更新法则：
  

书中提供了Python的代码，可以实现手写数字识别，看起来不算太多，决定在今后几天把代码实际运行起来，通过调整相关的参数，深入理解神经网络的原理。