什么是机器学习/深度学习？直观的例子说明权重和偏置的作用：实现 AND、OR 逻辑门电路

机器学习/深度学习 都是分两步：train训练，inference推理。

• 训练的时候会根据输入数据、模型的输出结果、以及输入数据对应的真实值，把权重weight和偏置bias更新到模型中——换句话说，模型中有用的主要就是权重weight和偏置bias。这两个都是data, 数据，模型中除了data之外还有模型的structure，或者说算法，比如第一层来个卷积，第二层来个最大值池化
• 推理，就是把新来的未知数据输入到模型中，使之经过一层一层的算法，在每一层和该层的数据进行计算（如何计算就是该层的算法定义的），比如 * 权重 + 偏置，计算之后输出最终结果，完成推理。

下面给个例子，说明权重和偏置的作用。这个例子中权重和偏置的值是我们根据经验直接确定的，因为问题很简单，对于复杂的问题，就要通过训练（前向+反馈）来不断更新权重和偏置，得到一个满意解。

import numpy as np

# 定义逻辑函数
def AND(x1, x2):
  x = np.array([x1, x2])
  w = np.array([0.5, 0.5])  # 权重 weight
  b = -0.7                  # 偏置 bias
  tmp = np.sum(w*x) + b
  if tmp <= 0:
    return 0
  else:
    return 1

def OR(x1, x2):
  x = np.array([x1, x2])
  w = np.array([0.5, 0.5])  # 权重 weight
  b = -0.2                  # 偏置 bias
  tmp = np.sum(w*x) + b
  if tmp <= 0:
    return 0
  else:
    return 1

# 测试
print(AND(0, 0))   # 0
print(AND(0, 1))   # 0
print(AND(1, 0))   # 0
print(AND(1, 1))   # 1

print(OR(0, 0))    # 0
print(OR(0, 1))    # 1
print(OR(1, 0))    # 1
print(OR(1, 1))    # 1