Add files via upload

神经网络之我见---郭凯霖.md

@@ -0,0 +1,34 @@
+#神经网络
+##神经网络是什么
+###神经元
+ 神经网络是人工智能的基础，从生物的角度来说，人脑学习的基础是神经元，大量的神经元便组成了神经系统，从而帮助人类学习、做出反应等，人工智能作为使用电脑模仿人脑学习的技术，也需要有类似的东西，神经元（感知器）的网状结构即神经网络。
+
+![](https://s3.bmp.ovh/imgs/2022/04/15/5505a606501298a1.jpg)
+
+ 上图是一个简单的神经元细胞，用数学方式来的话，即
+ ![](https://s3.bmp.ovh/imgs/2022/04/15/7d1f7ec9166e0a26.png)
+ 其中，对于来自其他神经元的输入信号X1,X2,X3，神经元将其乘以权重W1,W2,W3作为输入信号。θ是该神经元固有的阈值，此处可以从生物学的角度理解，只有当输入信号对于阈值，神经元才能做出反应（即有输出信号，y=1），否则没有反应（即没有输出信号，y=0）。
+ ![](https://s3.bmp.ovh/imgs/2022/04/15/d2a24aeb73363a4a.jpg)
+ 从数学的角度出发，以上的过程可以用该公式表达出来，即
+  __y = (w1x1 + w2x2 + w3x3 - θ)__
+ 或者__y = a(w1x1 + w2x2 + w3x3 + b)__
+ 在该公式中，a是一个函数，是建模者定义的函数，称为__激活函数__(activation function)，x1、x2、x3是模型允许的任意数值，w1、w2、w3是不同或相同的权重，b= - θ，为了方便计算，将负改为正，称作__偏置__(bias)
+###神经网络
+ 正如上述，神经网络是由若干神经元组成的，神经元连接为网络状，就形成了神经网络。这里以阶层型神经网络为例进行说明，即
+![](https://s3.bmp.ovh/imgs/2022/04/15/294ccbb48a3cc36e.jpg)
+ 如图所示，阶层型神经网络由输入层、隐藏层、输出层组成，其中隐藏层也被称为中间层，每一层都由若干神经元组成，层与层之间存在一定的关系。
+ 输入层——读取给予神经网络的信息；
+ 隐藏层——执行在神经元讲解部分提到的工作，即 ![](https://s3.bmp.ovh/imgs/2022/04/15/7d1f7ec9166e0a26.png)
+ 输出层——执行像隐藏层一样的工作，并显示最后的结果。
+
+ __以下举一个神经网络识别数字0和1的例子__
+ 即使是在4 x 3像素的图像中，数字0的呈现模式也是可以多种多样的，例如
+![](https://s3.bmp.ovh/imgs/2022/04/15/28ca3e775d1634da.jpg)
+ 回顾刚刚提到的输入层、隐藏层、输出层的工作，在这个案例中，他们的工作会是什么样的？
+ 输入层——读取每一个格子的信息（黑或白）；
+ 隐藏层——将输入层传递过来的信息进行加权处理；
+ 输出层——将隐藏层传递过来的信息进行加权处理，显示最后结果（0或1）。
+![](https://s3.bmp.ovh/imgs/2022/04/15/c4ef2d5ad996a946.jpg)
+ 其中可发现，
+ 输入层->隐藏层，4、6、7、9被着重强调了，此处可以理解为，隐藏层的A对输入层的4和7有偏好，隐藏层的C对输入层的6和9有偏好，这一种偏好会放大数值，因此，对于隐藏层中的A而言，因为4和7为黑色，所以A也为黑色，对于隐藏层中的B而言，B与1、2、3、...、12没有偏好或偏好得不到满足，B为白色，对于隐藏层中的C而言，因为6和9为黑色，所以C也为黑色；在隐藏层中，A、C被着重强调了，这是因为WA、WC的大小大于其他的（权重），因此导致A、C的输出值偏大。
+ 隐藏层->输出层，A和C被着重强调了，同理，输出层的0对隐藏层的A和C有偏好，因此，输出层的0由于有对隐藏层A和C的偏好，导致输出层的0比输出层的1的数值更大，最后识别为数字0。