用最簡單的例子，深入解析人工神經網絡，徹底理解機器學習過程
人工神經網絡其實就像是一個複雜的計算器，你給它輸入一些東西，它就能給你一個結果。就像你用計算器輸入2+2，它會給你輸出4一樣，但人工神經網絡能處理的不僅僅是數字加減，它能處理更複雜的東西，比如圖片、文字等等。所以，當我們說人工神經網絡是一個“函數逼近器”時，其實就是說它能模拟各種複雜的計算過程，幫助我們從輸入得到想要的輸出。
如果是一張汽車的圖片，必須有一個函數，可以接收這張圖片并預測它是什麼類型的車，僅僅通過那些原始的像素值。
對于傳統編程，如果有一段英文文本，必須有一個函數，可以接收這段文本并輸出相同的文本，但是用中文。
如果你有一個問題，必須有一個函數，可以産生答案。
但問題是，在傳統編程中，我們一直在編寫函數，它們非常強大，但當函數太難以至于我們無法解釋它時會發生什麼？例如，當你看到這個數字時，
你知道它是5，但如果你必須編寫一個算法，接收這張圖片并說它是5，突然之間這變得極其困難。
任務很簡單，但接收一張手寫數字的圖片并輸出是哪個數字的函數非常難以編寫，所以這就是為什麼我們需要機器學習。這裡的想法很簡單，如果你知道一定存在一個可以解決這個問題的函數，但我們不知道那個函數是什麼樣子的，也許我們可以定義一個結構，一個人工神經網絡，它可以學習這個函數，而為了學習這個函數，它需要一些可以學習的東西，這意味着它需要數據，比如很多不同的手寫數字圖片。
讓我們看一個非常簡單的例子，
你可以看到一些數據點，如果我問你模拟這些數據的函數是什麼，你可能會想象一條穿過這些數據點的曲線。這就是神經網絡也應該學習的，它應該學會逼近這些數據所代表的函數，如果出現了一個新的x值，我們應該能夠預測y值，即使我們之前不知道這個點。
回到手寫數字，一個非常著名的手寫數字數據集叫MNIST，其中存儲了成千上萬個手寫數字。
如果你想要制作一個從這些數據中學習的模型，以便能夠識别未見過的手寫數字，你可以借鑒人類大腦學習的方式。
我們的大腦由很多細胞組成，這些細胞叫做神經元。神經元有一些像天線一樣的部分叫做樹突，它們用來接收來自其他神經元的信号。神經元的主體會決定是否要把這些信号傳遞給下一個神經元。如果決定傳遞，神經元會通過一根叫做軸突的長線把信号發送出去，直到信号到達另一個叫做突觸的地方。在突觸處，信号會被傳遞給下一個神經元。這就是我們的大腦如何處理和傳遞信息的基本方式。
當我們學習時，大腦中神經元之間的連接發生變化，它們變得更強，形成新的連接，神經元變得更高效。
人工神經網絡試圖模拟這個過程，它們由人工神經元組成，即簡單的函數，接收來自其他神經元的值，并将它們組合成一個傳遞給其他神經元的信号。
具體的情況下，上圖是一個28x28像素的圖片，每個像素值的範圍是0到1，黑色像素是0，白色像素是1，這些像素構成了輸入層。
現在我們想知道圖片顯示的是哪個數字，因為有10個可能的數字，所以我們對每個輸入的圖像産生10個預測，所以這裡可以添加10個神經元并稱之為輸出層，
每個輸入神經元（一個像素點）将連接到每個輸出神經元（0-9的10個數字），我們用所謂的權重連接它們，每個權重僅僅是一個數字，一開始這個數字可以随機選擇。
在這個例子中，有784個輸入神經元（對應于28x28像素的圖片），每個輸入神經元都連接到10個輸出神經元（對應于10個可能的數字）。所以總共會有784個像素點乘以10個數字，也就是7840個連接。每個連接都有一個權重，這些權重會在訓練過程中進行調整，以便網絡能夠正确地識别輸入圖片中的數字。
每個輸出神經元将取輸入值，将每個值乘以相應的權重并将它們求和以得到一個新值，
在這個例子中，我們期望的是，代表數字5的那個神經元給出一個很高的數值（權重），而其他代表其他數字的神經元給出的數值都比較低。這樣，網絡就能正确地識别出輸入圖片是數字5。
如果輸入數字0，再一次，隻有代表0的輸出神經元應該亮起（獲得很高的數值），這可能是我們能構建的最簡單的神經網絡。
但我們的任務是教會這個人工神經網絡識别這些數字，這意味着我們必須以某種方式改變權重，讓模型做出更好的預測，這是通過向網絡展示一系列的樣本圖片（比如手寫數字的圖片），然後觀察網絡的預測結果是否準确來完成的。如果網絡的預測結果不準确，就需要調整權重。
為了知道如何調整權重，我們使用了一個叫做“損失函數（Loss ）”的工具，它可以幫助我們衡量網絡的預測結果和實際結果之間的差異。我們的目标是讓這個損失盡可能小，這意味着我們的預測越準确。
事實上，如果你可視化每個神經元的權重，随着模型學習，我們可以看到，盡管它們一開始看起來是随機的。但随着模型的學習和訓練，這些權重會逐漸調整，開始形成一些特定的模式。這些模式讓模型能夠識别不同數字的特征，從而區分它們。最初，模型可能隻能學習簡單的線性關系，這意味着它能區分一些非常基本的數字特征。
為了讓模型能夠學習更複雜的關系，我們可以在輸入層和輸出層之間添加更多的層，這些額外的層被稱為隐藏層。
添加更多的隐藏層可以使神經網絡變得“更深”，這就是“深度學習”的概念。隐藏層中的神經元和輸出層中的神經元工作方式相似，但每個神經元還有一個激活函數（ ），這個函數可以是非線性的，使得模型能夠學習更複雜的關系，從而提高識别數字的準确性。
回到簡單的二維函數示例，激活函數将使我們能夠彎曲直線，以便我們可以更準确地模拟數據。
有許多激活函數，但其中最簡單的一個叫做ReLu，它把負數變成0，正數保持不變。
當我們給神經網絡添加更多的神經元或者層數時，它的能力會增加，也就是說它能學習到更複雜的東西。但是，有一個問題，如果我們讓網絡變得太大，它可能就會變得太“聰明”了，以至于它不僅學會了我們想讓它學的東西，還記住了所有的訓練數據。這種情況叫做過拟合，就像是模型變得太專注于訓練數據，以至于在面對新的、沒見過的數據時就表現不好了。另一方面，如果模型太簡單，它可能就學不到足夠的東西，這種情況叫做欠拟合。所以，神經網絡的主要目标就是找到一個平衡點，構建一個既不太複雜也不太簡單，能夠從數據中學習規律的模型。
最新文章
-
“豫西中醫界之泰鬥喬保均”治療疑難病60年經驗賞析
2小時前 -
回憶、健忘和灑脫
2小時前 -
弘一法師：“真的不忍心告訴你，這個世界隻是一個夢。你一輩子執
2小時前 -
心理學，準的讓你驚叫
2小時前 -
人生，成大器者有四識，知識、見識、膽識、遠識
3小時前 -
俞和：被遺忘的書法家，以古為師，創新在手！
3小時前 -
2024屆新高考II卷語文真題答案及解析
3小時前 -
生前隻是小人物，死後震驚史學界
3小時前
熱門文章
-
每日一誦傷寒論第241條
1周前 -
老張老李侃門球之140篇
1天前 -
這個穴位可以治療多種胃痛腹痛，還可以減肥
5天前 -
為什麼五點鐘要起床答案讓人吃驚！（現在知道還不晚）
1周前 -
治療坐骨神經痛藥酒５方
1周前 -
美麗中國-2870：中國最大的内陸河，塔裡木河
1天前 -
二十四山開門放水作竈真訣開門放水作竈直訣——子山
1天前 -
門球技巧 隻需五個字讓你打好門球
1天前
有話要說...