前馈神经网络的简单实现

神经网络是机器学习的一个重要方法，就像人类学习的本质是建立神经元之间的联系一样，机器学习也可以模拟相应的“神经元”并建立这些“神经元”之间的联系，人的认知可以看做是神经网络的训练，如识别图片，大脑一旦认识了某张图片，那么同一张图片不管是经过旋转还是伸缩，大脑依然可以识别出来。回到机器学习领域，如果我们用了足够多的“神经元”，多到可以与人的大脑相媲美，那么我们就可以憧憬将机器训练得跟人类的大脑一样强大。机器学习中的神经网络结构大致如下图所示：

图中的圆圈就是所谓的“神经元”，也叫节点（Unit），其中用Z标注的又叫做隐藏节点（Hidden Unit），X是输入这个神经网络的东西，可以理解为我们眼睛看见的东西，Y是神经网络的输出，可以理解为大脑的认知结果。中间的隐藏节点可以看做是对输入信息的提炼，例如当输入一张图片时，我们可以将图片分解成了一块一块的区域（Z1，Z2，......），每个区域有各自的颜色、亮度，这些颜色亮度就是隐藏节点Z1、Z2的值。如果还有第二层的隐藏节点，我们可以对这些信息做进一步的提炼，这样经过层层提炼后，我们就拿到了最能反映这张图片本质的元素，所以即使日后同一张图片经过旋转或伸缩后进入我们的神经网络，我们都可以将它正确识别出来。上面的识别过程可以看做是信息从输入（X）一直向前流到了输出（Y），所以这个网络也叫前馈神经网络。

婴儿的大脑就像一个没有经过训练的神经网络，孩子在后天的学习过程就是神经网络的训练过程，经过学习，它才知道什么是猫，猫有四条腿等等。我们就拿猫的例子来说明神经网络的训练，比如孩子看到一只猫，他就看到了它的体型（Z1）、颜色（Z2）等，然后家长告诉他这是一只猫，之后孩子又看到另外一只猫，发现体型与之前的差不多，但毛发的颜色不太一样，但是家长告诉他这也是只