深度学习入门-理解神经网络的基本概念

本文内容由作者原创，转载请注明出处：http://blog.csdn.net/jiangjunshow

总目录

实现人工智能的方法有很多，其中最热门的是通过深度学习来训练神经网络。深度学习指的是训练大规模的神经网络，这里的“深”表示网络层数多、结构复杂。那么，神经网络究竟是什么？阅读本文后，你将对此有更直观的理解。

我们以房价预测为例来说明神经网络的概念。假设你有一个包含六个房屋面积和价格的数据集，你希望通过面积预测房价。如果你熟悉线性回归（不熟悉也没关系，可以简单理解为一种数学模型），可以通过在数据点附近绘制一条直线来预测房价，如上图中的红线。这条直线附近的蓝点表示六个房子的面积和价格。此外，房价不可能是负数，因此当面积为零时，价格也为零，所以上面的直线在原点处需要拐弯。

我们可以将这个简单的面积预测模型看作一个基本的神经元网络。如上图右侧所示，黄色的圆圈代表一个神经元，房屋面积作为输入（x），经过神经元处理后输出房价（y）。在神经网络的相关文献中，这种函数被称为线性单元函数（ReLU，全称为Rectified Linear Unit）。虽然现在可能不太理解，但随着学习的深入，你会逐渐明白其含义。

上面的面积预测模型是一个非常简单的单神经元网络。通过将多个这样的神经元堆叠在一起，可以构建更复杂的神经网络。以房价预测为例，影响房价的因素不仅仅是面积，还包括卧室数量、邮政编码和学校质量等级等。这些因素共同决定了房价。神经网络的神奇之处在于，我们只需提供输入（x，如面积、卧室数量等）和期望的输出（y，如房价），并用真实数据进行训练，神经网络就能自动学习中间的复杂关系。例如，当你输入第七个房子的特征时，神经网络会根据之前的学习结果给出最终的房价预测。

神经网络中的中间部分称为隐藏层，每个隐藏神经元都会接收所有输入特征。与人类手动分析不同，神经网络会自动分析哪些特征对最终结果影响最大。有时，神经网络的分析甚至比人类更高效、更全面。例如，有报道称Facebook的神经网络曾发明了一种新的通信方式，因为它认为人类语言的效率太低。

读完本文后，你可能对神经网络仍有一些模糊的认识，这是正常的。如果一篇文章就能让你完全理解神经网络，那你就是天才了。对于大多数人来说，继续阅读后续文章，逐步深入学习，才能真正掌握神经网络的精髓。

本文介绍的神经网络属于监督学习类型，目前市场上大多数产生经济效益的神经网络都是监督学习类型的。下一篇文章将详细介绍监督学习的概念。

关注我的微信公众号，新文章发布后我会第一时间通知大家！