神经网络与深度学习（入门篇）

注：本文主要详细介绍神经网络与深度学习的含义与所需要的条件，适合刚接触的人了解一下。

废话不多说，我们直接开整！！！

• 神经网络

1.什么是神经网络？

简单来说，它就是一种编程范式，可以让计算机从观测数据中进行学习。

2.神经网络需要什么条件才能实现？

在众多神经元模型中，我们以S型神经元为例。在这之前，我先讲一个概念

感知器！！！

什么是感知器？，感知器就是单层的神经网络，也是最简单的神经网络。它将输入的值通过简单的规则来计算输出，这就是感知器干的事情。

讲到感知器，就必须要提一下权重和阈值。

什么是权重？顾名思义就是它的重要性，你可以通过设置因素的权重来做出决定。

阈值，就是一个标准，或者说是一个度。一旦超过这个标准，计算机就要做出相应的改变。

举个简单的例子帮大家理解：周末你要不要去参加别人的婚礼：有3个因素。

如果天气好,则a=1，否则a=0；如果车不限号，则b=2，否则b=1；如果有朋友陪你一起，c=3，否则c=2。我们设置阈值为3。一旦a+b+c超过3，我们去，否则不去。权重越高，则表明它对结果影响越大。如果我们降低阈值，说明你想去。随着权重和阈值的改变，我们可以得到多种决策模型。

相较于阈值，我们引入新的概念：偏置。可以简单理解为它是一种表示让感知器输出1有多容易的估算。对于具有一个很大偏置的感知器来说，输出1相当容易。下面的图可以帮我们更清晰的了解。这里的b就是偏置

 

感知器的另一种方式是计算基本的逻辑功能，即运算基础，例如‘与’，‘或’，‘与非’

3.神经网络结构

 

如图所示，神经网络包括最左边的输入层，即输入神经元；中间层没有输入与输出功能，我们叫做隐藏层，隐藏层可以有很多层；最右边我们叫做输出层，即输出神经元。

这种多层网络叫做多层感知器或者MLP。

接下来我们开始介绍代码，上干货！

对于神经网络，我们常用到Numpy的Python库（下载地址：http://www.scipy.org/install.html）

神经网络代码的核心片段是一个Network类。这是我们用来初始化一个Network对象的代码

 

由于Network对象中的偏置和权重都是被随机初始化的，使用Numpy的np.random.randn函数来生成均值为0，标准差为1的高斯分布。

另外注意，偏置和权重都是以Numpy矩阵列表的形式储存的。例如：net.weights[1]是一个连接第二层和第三层的权重Numpy矩阵。    

介绍了神经网络，让我们准备迈入深度学习吧！

什么是深度学习呢？把计算机比作我们小孩子，我们刚出生的时候，对这个世界的事务是懵懂的，是在大人的教导下，我们开始认识这个世界。同样，计算机也需要我们输入代码并进行训练。下面，我以识别手写字符串为例介绍代码

 

这是我们需要用到的模块

 

这里首先定义了几个参数

——--datapath 参数，也就是我们训练需要的数据的位置

——batch_size 是用于训练的数据的规格（多少）

——epochs 就是训练次数，1个epoch就是训练一次，它会将所有的数据都读取一遍

——use_cuda 就是表明我们需要用到cuda

 

这些就是我们训练需要用到的代码。

首先是打开文件，然后规定数据训练后的存储路径。

这里我们要介绍一种新的东西，卷积神经网络。它的作用，我概括一下就是，在数据库很大时，使用卷积网络，可以很大程度上提高运行和训练的速度。对于深度学习来说，非常好用。

 

 

进行深度学习，我们需要检测它训练的正确率，也就是评估evaluation，每进行一个epoch，我们都会更新evaluation，最终训练完成时，我们可以直观的看到我们训练的成果，以便进行下一步。

好了，本期博文就到此为止了，希望可以对入门的兄弟有帮助。