(三)人工智能应用--深度学习原理与实战--神经网络的工作原理

机器学习是将输入(比如图像)映射到目标(比如标签“猫”)，并建立映射规则(即模型)。在深度学习中，神经网络通过一系列数据变换层来实现这种输入到目标的映射，本章节我们具体来看这种学习过程是如何实现的。

学习内容
1、理解层(Layer)及权重(weight)的概念及作用
2、理解损失函数（Loss function)的作用
3、理解优化器(optimizer)的作用、了解反向传播(back propagation)过程以及梯度下降
4、理解神经网络的工作原理
5、了解常见的神经网络架构

神经网络本质上是一个求解智数的多层数学框架

神经网络的本质是一个求解数的多层数学框架。以图像识别为例，建立一个“猫脸识别”神经网络模型的过程，实际上类似手求一个复合函数的智数:
求解f(x)= y的参数（也叫做权重)
其中，x =(多张猫的图片)
y =猫(即标签)

例如: 输入以下多张图片

神经网络最终得出的是输入数据（如照片）和预期输出标签（如猫）之间的映射规则（核心是权重参数)。