有关神经网络的自我感受、形式介绍、疑问与设计

神经网络

简单感受

首先，提起神经网络，我们最为直观的感觉是——像大脑中一个个神经细胞连接起来的网状结构一样，这样的联想，可以说是通俗直观、不错的一个类比。

现在，在我们的大脑中，从一个简单的神经细胞开始说起。（不是重学生物，而是好形容，嘻嘻）

这一个神经元从它的神经突触接收电信号，经过神经元的简单处理，再传给下一个神经元或多个神经元。那么进行对比，我们深度学习中的神经网络，它的一个神经元就相当于一个函数，这个“函数”也需要接受某个输入，再经过一系列的函数关系计算，得到一个结果并输出，对此一个简单的神经元就完成了它的使命。

对于一个神经元是一个函数，那么对于神经网络就是函数网络啦。

形式介绍

前面说到，一个神经元相当于一个函数，那大脑的神经元的电信号处理方式我们不了解也没关系，但对于神经网络的“函数” 总要给你一个“完美的解释”吧。

那么接下来，我就以最为基础的线性神经网络来做个解释：
我们所提到的线性函数，也称之为一次函数：y=w*x+b，其中x是输入变量，y是对应的输出值，w是一次函数的斜率，b为图像上下偏移用的常量。在一个神经元当中正是对输入值进行了一次这样的函数计算，得到一个对应的输出值，而w和b在神经元会有一个初始值。（对于初始值的要求将在后续文章说明）

不不不，如果这样就结束了，神经元还能有什么功能性呢？（直接改叫“神经函数”好了）也无法体现出深度学习的特性呀~（这就要到一个神经元之所以能把一些y的输出识别为特定东西的特点啦）

那就是——激活函数Activation Function
在一次函数二分类中最为常用到的激活函数，有时也称为感知器——sigmoid函数（高数中，爱翻书的同学应该就会跟它见过面！）


通过它的函数图像就能看出，该函数能把所有的输入值进行函数计算后，都统一的得到一个值在 （0，1） 区间内的输出，那这样，对于二分类来说的好处就不言而喻了。我们计算机专业中，常把1/0来类比两种东西的分类，比如，在投骰子的游戏中，1代表超过3的情况，那么0就代表不超过3的情况。

当然，仔细看看就会发现，函数值只能不断的趋近于1或者0，并不能等于，那就以0.5的值为分界，大于的作为1的情况，小于的作位0的情况，就解决啦~（是不是很想一个“感知器”在二分不同的情况）

正是这样的一个一次函数+激活函数就构成了一个神经元内部所进行的计算，也就完成了一个神经元的任务。

那么许多个神经元以并联、串联的形式集合在一起，就构成了所谓的“神经网络”。

神经网络的疑问与设计（摘自：什么是神经网络？）

1.如何建模输入和输出？例如，如果输入是文本，我可以用什么建模？数字？还是向量？

2.每个神经元有哪些功能？（它们是线性？还是指数？…）

3.神经网络的架构是什么？（即哪个函数的输出是哪个函数的输入？）

4.我可以用哪些通俗易懂的词来描述我的网络？

一旦回答了以上这些问题，就可以向网络“展示”大量具有正确输入和输出的例子，神经网络学习后，当再次输入一个新的输入时，神经网络就会有个正确的输出。