集体智慧总结和使用范围归纳（二）

接着上篇继续：

神经网络

类型有非常多了。这里仅介绍一下多层感知器网络。她由两层神经元构成，第一层是感知神经元，负责将输入传递给第二层的隐藏神经元。最后由隐藏神经元输出，得到一组数字（没有实际的意义），对应一系列的输入，就是根据这些数字的大小来对输入进行排序，分类等。

图是从别处引用的（http://blog.csdn.net/u011067360）。这里有4个输入神经，架设第一个输入神经对第二层的4个神经影响分别是1，2，3，4，那么在第一次“突触”时，就会激活第二层的第四个隐藏神经；接着假设第二层的第四个神经元对第三层的4个神经影响分别是4，3，2，1，那么第三层的第一个隐藏神经就会被激活；接着假设第三层的第一个神经对4个结果神经的影响分别是3，7，3，1，那么作为结果的第二个神经就会被确定，也就是说，第1个输入神经对应的输出是第2个。

对于判断多个输入公共影响的结果只需要在上述的每个步骤对影响权重进行累加，最后选最大值即可。

训练

最为常见的方法是反向传播法。首先所有的权重都是随机的，然后将正确的样本输入进行训练，如果输出结果与真实样本不符，那么神经网络会自动缓慢调整权重。训练的样本越多，权重越准确。最后的模型与真实情况越匹配。

物联网的应用

这里YY一个物联网的应用。加入电商将仓储中各个商品的囤货量、时间、事件等信息作为输入，将收入-支出作为输出，通过训练，神经网络就会慢慢“发现”如何在不同的季节实施最合理的仓储和物流可以达到最大的利益。

智能家居也可以这样，比如有一个智能小管家，当你回家时候，她会给你一些服务，但是有些是你需要的，一些是不需要的，还有一些是她没有做到的，那么你就“告诉”她好了，慢慢她就会变聪明的：）

优缺点

优点

对非线性数据的支持好，即是说对不同要素间的依赖关系支持好；

支持增量式的训练过程，即随时可以加入数据进行训练，因为只是对权重的修改，而且不需要保存已经训练过的数据。

缺点

她是一种黑盒方法，让人难以理解她的计算过程是怎样的，哪里出了问题。

有可能出现过度训练的情况，这样的化就无法进一步的学习了。

to be continue...