神經(jīng)網(wǎng)絡（NN）幾乎可以在每個領域幫助我們用創(chuàng)造性的方式解決問題。本文將介紹神經(jīng)網(wǎng)絡的相關(guān)知識。讀后你將對神經(jīng)網(wǎng)絡有個大概了解，它是如何工作的？如何創(chuàng)建神經(jīng)網(wǎng)絡？

神經(jīng)網(wǎng)絡的發(fā)展歷史

神經(jīng)網(wǎng)絡起源于 WarrenMcCulloch 和 Walter Pitts 于 1943 年首次建立的神經(jīng)網(wǎng)絡模型。他們的模型完全基于數(shù)學和算法，由于缺乏計算資源，模型無法測試。

后來，在 1958 年，F(xiàn)rank Rosenblatt 創(chuàng)建了第一個可以進行模式識別的模型，改變了現(xiàn)狀。即感知器。但是他只提出了 notation 和模型。實際的神經(jīng)網(wǎng)絡模型仍然無法測試，此前的相關(guān)研究也較少。

第一批可以測試并具有多個層的神經(jīng)網(wǎng)絡于 1965 年由 Alexey Ivakhnenko 和 Lapa 創(chuàng)建。

之后，由于機器學習模型具有很強可行性，神經(jīng)網(wǎng)絡的研究停滯不前。很多人認為這是因為 Marvin Minsky 和 Seymour Papert 在 1969 年完成的書《感知機》（Perceptrons）導致的。

然而，這個停滯期相對較短。6 年后，即 1975 年，Paul Werbos 提出反向傳播，解決了 XOR 問題，并且使神經(jīng)網(wǎng)絡的學習效率更高。

1992 年，最大池化（max-pooling）被提出，這有助于 3D 目標識別，因為它具備平移不變性，對變形具備一定魯棒性。

2009 年至 2012 年間，JürgenSchmidhuber 研究小組創(chuàng)建的循環(huán)神經(jīng)網(wǎng)絡和深度前饋神經(jīng)網(wǎng)絡獲得了模式識別和機器學習領域 8 項國際競賽的冠軍。

2011 年，深度學習神經(jīng)網(wǎng)絡開始將卷積層與最大池化層合并，然后將其輸出傳遞給幾個全連接層，再傳遞給輸出層。這些被稱為卷積神經(jīng)網(wǎng)絡。

在這之后還有更多的研究。

什么是神經(jīng)網(wǎng)絡？

了解神經(jīng)網(wǎng)絡的一個好方法是將它看作復合函數(shù)。你輸入一些數(shù)據(jù)，它會輸出一些數(shù)據(jù)。

3 個部分組成了神經(jīng)網(wǎng)絡的的基本架構(gòu)：

• 單元/神經(jīng)元
• 連接/權(quán)重/參數(shù)
• 偏置項

你可以把它們看作建筑物的「磚塊」。根據(jù)你希望建筑物擁有的功能來安排磚塊的位置。水泥是權(quán)重。無論權(quán)重多大，如果沒有足夠的磚塊，建筑物還是會倒塌。然而，你可以讓建筑以最小的精度運行（使用最少的磚塊），然后逐步構(gòu)建架構(gòu)來解決問題。

我將在后面的章節(jié)中更多地討論權(quán)重、偏置項和單元。

單元/神經(jīng)元

作為神經(jīng)網(wǎng)絡架構(gòu)三個部分中最不重要的部分，神經(jīng)元是包含權(quán)重和偏置項的函數(shù)，等待數(shù)據(jù)傳遞給它們。接收數(shù)據(jù)后，它們執(zhí)行一些計算，然后使用激活函數(shù)將數(shù)據(jù)限制在一個范圍內(nèi)（多數(shù)情況下）。

我們將這些單元想象成一個包含權(quán)重和偏置項的盒子。盒子從兩端打開。一端接收數(shù)據(jù)，另一端輸出修改后的數(shù)據(jù)。數(shù)據(jù)首先進入盒子中，將權(quán)重與數(shù)據(jù)相乘，再向相乘的數(shù)據(jù)添加偏置項。這是一個單元，也可以被認為是一個函數(shù)。該函數(shù)與下面這個直線方程類似：

想象一下有多個直線方程，超過 2 個可以促進神經(jīng)網(wǎng)絡中的非線性。從現(xiàn)在開始，你將為同一個數(shù)據(jù)點（輸入）計算多個輸出值。這些輸出值將被發(fā)送到另一個單元，然后神經(jīng)網(wǎng)絡會計算出最終輸出值。

權(quán)重/參數(shù)/連接

作為神經(jīng)網(wǎng)絡最重要的部分，這些（和偏置項）是用神經(jīng)網(wǎng)絡解決問題時必須學習的數(shù)值。這就是你現(xiàn)在需要知道的。

偏置項

這些數(shù)字代表神經(jīng)網(wǎng)絡認為其在將權(quán)重與數(shù)據(jù)相乘之后應該添加的內(nèi)容。當然，它們經(jīng)常出錯，但神經(jīng)網(wǎng)絡隨后也學習到最佳偏置項。

超參數(shù)

超參數(shù)必須手動設置。如果將神經(jīng)網(wǎng)絡看作一臺機器，那么改變機器行為的 nob 就是神經(jīng)網(wǎng)絡的超參數(shù)。

你可以閱讀我的另一篇文章（https://towardsdatascience.com/gas-and-nns-6a41f1e8146d），了解如何優(yōu)化神經(jīng)網(wǎng)絡超參數(shù)。

激活函數(shù)

也稱為映射函數(shù)（mapping function）。它們在 x 軸上輸入數(shù)據(jù)，并在有限的范圍內(nèi)（大部分情況下）輸出一個值。大多數(shù)情況下，它們被用于將單元的較大輸出轉(zhuǎn)換成較小的值。你選擇的激活函數(shù)可以大幅提高或降低神經(jīng)網(wǎng)絡的性能。如果你喜歡，你可以為不同的單元選擇不同的激活函數(shù)。

以下是一些常見的激活函數(shù)：

• Sigmoid

• Tanh

• ReLU：修正線性單元

• Leaky ReLU

層

這是神經(jīng)網(wǎng)絡在任何問題中都可獲得復雜度的原因。增加層（具備單元）可增加神經(jīng)網(wǎng)絡輸出的非線性。

每個層都包含一定數(shù)量的單元。大多數(shù)情況下單元的數(shù)量完全取決于創(chuàng)建者。但是，對于一個簡單的任務而言，層數(shù)過多會增加不必要的復雜性，且在大多數(shù)情況下會降低其準確率。反之亦然。

每個神經(jīng)網(wǎng)絡有兩層：輸入層和輸出層。二者之間的層稱為隱藏層。下圖所示的神經(jīng)網(wǎng)絡包含一個輸入層（8 個單元）、一個輸出層（4 個單元）和 3 個隱藏層（每層包含 9 個單元）。

深度神經(jīng)網(wǎng)絡

具有兩個或更多隱藏層且每層包含大量單元的神經(jīng)網(wǎng)絡稱為深度神經(jīng)網(wǎng)絡，它催生了深度學習這一新的學習領域。上圖所示神經(jīng)網(wǎng)絡就是這樣一個例子。

神經(jīng)網(wǎng)絡學習時發(fā)生了什么？

教神經(jīng)網(wǎng)絡解決問題的最常見方式是使用梯度下降。梯度下降相關(guān)內(nèi)容，參見：https://hackernoon.com/gradient-descent-aynk-7cbe95a778da。

除梯度下降外，另一種常見的訓練神經(jīng)網(wǎng)絡方法是使用反向傳播。使用這種方法，神經(jīng)網(wǎng)絡輸出層的誤差會通過微積分中的鏈式規(guī)則向后傳播。這對于沒有微積分知識的初學者來說可能會難以理解，但也不要被嚇倒，反向傳播相關(guān)內(nèi)容，推薦閱讀：http://neuralnetworksanddeeplearning.com/chap2.html。

訓練神經(jīng)網(wǎng)絡有許多注意事項。但對于初學者來說，沒有必要在一篇文章中了解全部。

實現(xiàn)細節(jié)（如何管理項目中的所有因素）

為了解釋如何管理項目中的所有因素，我創(chuàng)建了一個 Jupyter Notebook，包含一個學習 XOR 邏輯門的小型神經(jīng)網(wǎng)絡。Jupyter Notebook 地址：https://github.com/Frixoe/xor-neural-network/blob/master/XOR-Net-Noteboo...。

在查看并理解 Notebook 內(nèi)容后，你應該對如何構(gòu)建基礎神經(jīng)網(wǎng)絡有一個大致的了解。

Notebook 創(chuàng)建的神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)以矩陣排列，這是常見的數(shù)據(jù)排列方式。不同項目中的矩陣維度可能會有所不同。

大量數(shù)據(jù)通常分為兩類：訓練數(shù)據(jù)（60％）和測試數(shù)據(jù)（40％）。神經(jīng)網(wǎng)絡先使用訓練數(shù)據(jù)，然后在測試數(shù)據(jù)上測試網(wǎng)絡的準確率。

關(guān)于神經(jīng)網(wǎng)絡的更多信息（更多資源鏈接）

如果你仍然無法理解神經(jīng)網(wǎng)絡，那么推薦以下資源：

YouTube：

Siraj Raval (https://www.youtube.com/channel/UCWN3xxRkmTPmbKwht9FuE5A)

3Blue1Brown (https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw)

The Coding Train (https://www.youtube.com/playlist?list=PLRqwX-V7Uu6aCibgK1PTWWu9by6XFdCfh)

Brandon Rohrer (https://www.youtube.com/channel/UCsBKTrp45lTfHa_p49I2AEQ)

giant_neural_network (https://www.youtube.com/channel/UCrBzGHKmGDcwLFnQGHJ3XYg)

Hugo Larochelle (https://www.youtube.com/channel/UCiDouKcxRmAdc5OeZdiRwAg)

Jabrils (https://www.youtube.com/channel/UCQALLeQPoZdZC4JNUboVEUg)

Luis Serrano (https://www.youtube.com/channel/UCgBncpylJ1kiVaPyP-PZauQ)

Coursera：

Neural Networks for Machine Learning (https://www.coursera.org/learn/neural-networks) by University of Toronto

Deep Learning Specialization (https://www.coursera.org/specializations/deep-learning) by Andrew Ng

Introduction to Deep Learning (https://www.coursera.org/learn/intro-to-deep-learning) by National Research University Higher School of Economics

編輯：hfy