简单了解什么是神经网络

深度学习这个词指的是训练神经网络。深代表着非常大的神经网络。那么神经网络到底是什么呢?看了这篇文章后你就会有很直观的认识了。

我们从一个房价预测的例子开始吧。因为现在房价太他妈贵了，早8年前我父母说帮我在北京买个房，我觉得不能靠家里人，所以拒绝了，现在想想，我就是个傻逼，那时候买了，我现在就不用写博客了~~

据说房价都是国人自己炒的，但除了炒作，还是有些真实因素影响着房价的，通过对这些因素进行分析，我们就可以预测房价。假设你有一个数据集（六个房屋的面积和价格）。你想要找到一个方法（即构建一个函数）来通过面积预测出价格。如果你熟悉线性回归（不熟悉也没关系，你就把它看作是一个数学理论），那么可以根据这个理论在实际数据附近画出一条直线，如上图中红色的线，它附近的蓝色的小圆圈代表着六个房子的面积与房价对应的点，即根据这条线（这个函数）来找某一个面积对应的房价，那么除了些误差外，基本上是准的。另外我们知道价格永远不会是负的，除非你是黑社会，占了别人的房子还要让别人给你钱。所以，当面积为零，价格也为零，所以上面的直线要拐个弯。你可以把上面这个根据面积来预测价格的函数看作一个非常简单的神经元网络（这几乎是最简单的神经元网络）。如右边的图，黄色的圈为一个神经元，房子的大小为x，它作为输入进入这个神经元，然后神经元输出房价y。

在神经网络相关文献中，你会经常看到这个函数（上面红色的线）。这个函数在一定时间内为0，然后突然起飞飙升。它被称为线性单元函数（ReLU ，全称为rectified linear unit）。现在不懂没有关系，后面慢慢就懂了！

上面用面积预测房价的例子是一个单神经元的小得不能再小的神经网络，通过将多个这样的神经元堆叠在一起就可以形成更大的神经网络。你可以认为一个神经元就像一个积木块，你可以通过将许多这样的积木块堆叠在一起来获得一个更大的神经网络。就房价的例子来说，如上图，影响房价的因素不仅仅只有面积，还有例如卧室的数量。除了面积，卧室的数量也决定了房屋是否适合你的家庭，例如家里有3个人或5个人。另一个因素是邮政编码。邮政编码在这里代表了地理位置，地理位置繁华，那么生活会方便一些。然后还有一个因素是学校质量等级，在中国素有学区房一说。这些因素，我们也称之为特征。根据面积以及卧室的数量，可以推算是否满足家庭大小。根据邮政编码，可以估算生活便利性，包括去学校的便利性。最后学校等级可以评估教育质量。人们在买房时会考虑这四个因素，即它们决定了房价，还有他妈的炒作，这里我们暂时忽略炒作这个因素吧。所以在这个例子中，x是代表了这4个输入，y是要预测的价格。上面左图是我们人为分析的过程，我们分析出哪些输入会影响家庭大小的匹配度、生活便利性、教育质量，进而得出心中的价格。神经网络之所以神奇的一点是，我们只需要提供输入x（面积，卧室数量…）以及想要得到的结果y（房价），以及用于训练的真实数据（上面六个房子的面积，卧室数量…以及价格），那么中间部分的家庭大小匹配度、生活便利性、教育质量都会由神经网络自己根据实际数据训练而得出，如右图。当你再次输入第7个房子的特征（面积，邮编…）后，这个神经网络会根据之前训练好的中间部分给出你最终的房价。即神经网络的内部过程取代了人类的分析过程。再举一个例子，例如当我们教小孩子认识猫时，我们拿来一些白猫，告诉他这是猫，再拿来一些黑猫，告诉他这也是猫，然后拿来一些狗，告诉他这不是猫，最后拿来一些花猫，问他，他会告诉你这是猫，但是他是怎么知道的？这个中间的判断过程是怎么样的？我们不知道。这就是为什么说神经网络很恐怖的原因——它的工作原理太像人类了——我们都不知道它内部具体是如何运作的，即我们不知道它是怎么想的，就像我们不知道小孩具体是如何分辨猫和狗的。马斯克说人工智能很危险，可能会毁灭人类也不无道理。

上面所说的中间部分的神经元称为隐藏神经元。可能你注意到了，右图的神经网络中，每一个隐藏神经元都获取了所有特征输入。左图中，是我们人的分析过程，我们分析出面积和卧室数这两个特征与家庭大小有关，而在右图中，我们把所有特征都提供给每个隐藏神经元，让神经网络自己来分析哪些特征会从哪些方面影响房价。说不定神经网络的分析比人类更高效更全面，之前看到过一个新闻，Facebook的神经网络自己发明了一种沟通方式，因为它觉得用人类的语言沟通起来效率太低~~

看完这篇文章后，你应该还是对神经网络比较朦胧…… 这就对了，如果就凭一篇文章就让你懂了神经网络，那你是天才。

以上就是本文关于简单了解什么是神经网络的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站：

Python与人工神经网络:使用神经网络识别手写图像介绍

70行Java代码实现深度神经网络算法分享

如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！

赞 (0)

相关推荐

  • 神经网络python源码分享

    神经网络python源码分享

    神经网络的逻辑应该都是熟知的了,在这里想说明一下交叉验证 交叉验证方法: 看图大概就能理解了,大致就是先将数据集分成K份,对这K份中每一份都取不一样的比例数据进行训练和测试.得出K个误差,将这K个误差平均得到最终误差 这第一个部分是BP神经网络的建立 参数选取参照论文:基于数据挖掘技术的股价指数分析与预测研究_胡林林 import math import random import tushare as ts import pandas as pd random.seed(0) def getD

  • 神经网络理论基础及Python实现详解

    神经网络理论基础及Python实现详解

    一.多层前向神经网络 多层前向神经网络由三部分组成:输出层.隐藏层.输出层,每层由单元组成: 输入层由训练集的实例特征向量传入,经过连接结点的权重传入下一层,前一层的输出是下一层的输入:隐藏层的个数是任意的,输入层只有一层,输出层也只有一层: 除去输入层之外,隐藏层和输出层的层数和为n,则该神经网络称为n层神经网络,如下图为2层的神经网络: 一层中加权求和,根据非线性方程进行转化输出:理论上,如果有足够多的隐藏层和足够大的训练集,可以模拟出任何方程: 二.设计神经网络结构 使用神经网络之前,必须

  • Python基于numpy灵活定义神经网络结构的方法

    本文实例讲述了Python基于numpy灵活定义神经网络结构的方法.分享给大家供大家参考,具体如下: 用numpy可以灵活定义神经网络结构,还可以应用numpy强大的矩阵运算功能! 一.用法 1). 定义一个三层神经网络: '''示例一''' nn = NeuralNetworks([3,4,2]) # 定义神经网络 nn.fit(X,y) # 拟合 print(nn.predict(X)) #预测 说明: 输入层节点数目:3 隐藏层节点数目:4 输出层节点数目:2 2).定义一个五层神经网络:

  • Python实现的递归神经网络简单示例

    本文实例讲述了Python实现的递归神经网络.分享给大家供大家参考,具体如下: # Recurrent Neural Networks import copy, numpy as np np.random.seed(0) # compute sigmoid nonlinearity def sigmoid(x): output = 1/(1+np.exp(-x)) return output # convert output of sigmoid function to its derivati

  • Python实现感知器模型、两层神经网络

    Python实现感知器模型、两层神经网络

    本文实例为大家分享了Python实现感知器模型.两层神经网络,供大家参考,具体内容如下 python 3.4 因为使用了 numpy 这里我们首先实现一个感知器模型来实现下面的对应关系 [[0,0,1], --- 0 [0,1,1], --- 1 [1,0,1], --- 0 [1,1,1]] --- 1 从上面的数据可以看出:输入是三通道,输出是单通道. 这里的激活函数我们使用 sigmoid 函数 f(x)=1/(1+exp(-x)) 其导数推导如下所示: L0=W*X; z=f(L0);

  • Python与人工神经网络:使用神经网络识别手写图像介绍

    Python与人工神经网络:使用神经网络识别手写图像介绍

    人体的视觉系统是一个相当神奇的存在,对于下面的一串手写图像,可以毫不费力的识别出他们是504192,轻松到让人都忘记了其实这是一个复杂的工作. 实际上在我们的大脑的左脑和右脑的皮层都有一个第一视觉区域,叫做V1,里面有14亿视觉神经元.而且,在我们识别上面的图像的时候,工作的不止有V1,还有V2.V3.V4.V5,所以这么一看,我们确实威武. 但是让计算机进行模式识别,就比较复杂了,主要困难在于我们如何给计算机描述一个数字9在图像上应该是怎样的,比如我们跟计算机说,9的上面是一个圈,下右边是1竖

  • Python实现的人工神经网络算法示例【基于反向传播算法】

    本文实例讲述了Python实现的人工神经网络算法.分享给大家供大家参考,具体如下: 注意:本程序使用Python3编写,额外需要安装numpy工具包用于矩阵运算,未测试python2是否可以运行. 本程序实现了<机器学习>书中所述的反向传播算法训练人工神经网络,理论部分请参考我的读书笔记. 在本程序中,目标函数是由一个输入x和两个输出y组成, x是在范围[-3.14, 3.14]之间随机生成的实数,而两个y值分别对应 y1 = sin(x),y2 = 1. 随机生成一万份训练样例,经过网络的学

  • 简单了解什么是神经网络

    简单了解什么是神经网络

    深度学习这个词指的是训练神经网络.深代表着非常大的神经网络.那么神经网络到底是什么呢?看了这篇文章后你就会有很直观的认识了. 我们从一个房价预测的例子开始吧.因为现在房价太他妈贵了,早8年前我父母说帮我在北京买个房,我觉得不能靠家里人,所以拒绝了,现在想想,我就是个傻逼,那时候买了,我现在就不用写博客了~~ 据说房价都是国人自己炒的,但除了炒作,还是有些真实因素影响着房价的,通过对这些因素进行分析,我们就可以预测房价.假设你有一个数据集(六个房屋的面积和价格).你想要找到一个方法(即构建一个函数

  • tensorflow入门之训练简单的神经网络方法

    这几天开始学tensorflow,先来做一下学习记录 一.神经网络解决问题步骤: 1.提取问题中实体的特征向量作为神经网络的输入.也就是说要对数据集进行特征工程,然后知道每个样本的特征维度,以此来定义输入神经元的个数. 2.定义神经网络的结构,并定义如何从神经网络的输入得到输出.也就是说定义输入层,隐藏层以及输出层. 3.通过训练数据来调整神经网络中的参数取值,这是训练神经网络的过程.一般来说要定义模型的损失函数,以及参数优化的方法,如交叉熵损失函数和梯度下降法调优等. 4.利用训练好的模型预测

  • Python如何使用神经网络进行简单文本分类

    Python如何使用神经网络进行简单文本分类

    深度学习无处不在.在本文中,我们将使用Keras进行文本分类. 准备数据集 出于演示目的,我们将使用  20个新闻组  数据集.数据分为20个类别,我们的工作是预测这些类别.如下所示: 通常,对于深度学习,我们将划分训练和测试数据. 导入所需的软件包 Python import pandas as pd import numpy as np import pickle from keras.preprocessing.text import Tokenizer from keras.models

  • 70行Java代码实现深度神经网络算法分享

    70行Java代码实现深度神经网络算法分享

    对于现在流行的深度学习,保持学习精神是必要的--程序员尤其是架构师永远都要对核心技术和关键算法保持关注和敏感,必要时要动手写一写掌握下来,先不用关心什么时候用到--用不用是政治问题,会不会写是技术问题,就像军人不关心打不打的问题,而要关心如何打赢的问题. 程序员如何学习机器学习 对程序员来说,机器学习是有一定门槛的(这个门槛也是其核心竞争力),相信很多人在学习机器学习时都会为满是数学公式的英文论文而头疼,甚至可能知难而退.但实际上机器学习算法落地程序并不难写,下面是70行代码实现的反向多层(BP

  • Python Pytorch深度学习之神经网络

    Python Pytorch深度学习之神经网络

    目录 一.简介 二.神经网络训练过程 2.通过调用net.parameters()返回模型可训练的参数 3.迭代整个输入 4.调用反向传播 5.计算损失值 6.反向传播梯度 7.更新神经网络参数 总结 一.简介 神经网络可以通过torch.nn包构建,上一节已经对自动梯度有些了解,神经网络是基于自动梯度来定义一些模型.一个nn.Module包括层和一个方法,它会返回输出.例如:数字图片识别的网络: 上图是一个简单的前回馈神经网络,它接收输入,让输入一个接着一个通过一些层,最后给出输出. 二.神经

  • Keras搭建孪生神经网络Siamese network比较图片相似性

    Keras搭建孪生神经网络Siamese network比较图片相似性

    目录 什么是孪生神经网络 孪生神经网络的实现思路 一.预测部分 1.主干网络介绍 2.比较网络 二.训练部分 1.数据集的格式 2.Loss计算 训练自己的孪生神经网络 1.训练本文所使用的Omniglot例子 2.训练自己相似性比较的模型 什么是孪生神经网络 最近学习了一下如何比较两张图片的相似性,用到了孪生神经网络,一起来学习一下. 简单来说,孪生神经网络(Siamese network)就是“连体的神经网络”,神经网络的“连体”是通过共享权值来实现的,如下图所示. 所谓权值共享就是当神经网

  • 聊聊那些使用前端Javascript实现的机器学习类库

    聊聊那些使用前端Javascript实现的机器学习类库

    机器学习(Machine Learning)在最近几年绝对称的上是大火,越来越多的公司和资本投入了巨大资源和金钱到这个新上位的技术"新宠"中,尤其是随着更多的各种机器学习相关类库的出现和发展,更多新的技术已经被应用到了机器学习中, 现在大家可以看到, Python不再是唯一个老牌机器学习的必用语言, 对于现代神经网络(neural networks)语言不再是一个问题, 你基本可以使用任何的编程语言, 包括今天我们介绍的标准前端开发语言 - Javascript Web的整个体系已经在

  • Python实战之MNIST手写数字识别详解

    Python实战之MNIST手写数字识别详解

    目录 数据集介绍 1.数据预处理 2.网络搭建 3.网络配置 关于优化器 关于损失函数 关于指标 4.网络训练与测试 5.绘制loss和accuracy随着epochs的变化图 6.完整代码 数据集介绍 MNIST数据集是机器学习领域中非常经典的一个数据集,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片,且内置于keras.本文采用Tensorflow下Keras(Keras中文文档)神经网络API进行网络搭建. 开始之前,先回忆下机器学习

  • 基于Java实现的一层简单人工神经网络算法示例

    基于Java实现的一层简单人工神经网络算法示例

    本文实例讲述了基于Java实现的一层简单人工神经网络算法.分享给大家供大家参考,具体如下: 先来看看笔者绘制的算法图: 2.数据类 import java.util.Arrays; public class Data { double[] vector; int dimention; int type; public double[] getVector() { return vector; } public void setVector(double[] vector) { this.vect

  • Python编程实现的简单神经网络算法示例

    Python编程实现的简单神经网络算法示例

    本文实例讲述了Python编程实现的简单神经网络算法.分享给大家供大家参考,具体如下: python实现二层神经网络 包括输入层和输出层 # -*- coding:utf-8 -*- #! python2 import numpy as np #sigmoid function def nonlin(x, deriv = False): if(deriv == True): return x*(1-x) return 1/(1+np.exp(-x)) #input dataset x = np.

随机推荐