神經(jīng)網(wǎng)絡(luò)（NN）幾乎可以在每個(gè)領(lǐng)域幫助我們用創(chuàng)造性的方式解決問(wèn)題。本文將介紹神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)。讀后你將對(duì)神經(jīng)網(wǎng)絡(luò)有個(gè)大概了解，它是如何工作的？如何創(chuàng)建神經(jīng)網(wǎng)絡(luò)？

神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

神經(jīng)網(wǎng)絡(luò)起源于 WarrenMcCulloch 和 Walter Pitts 于 1943 年首次建立的神經(jīng)網(wǎng)絡(luò)模型。他們的模型完全基于數(shù)學(xué)和算法，由于缺乏計(jì)算資源，模型無(wú)法測(cè)試。

后來(lái)，在 1958 年，F(xiàn)rank Rosenblatt 創(chuàng)建了第一個(gè)可以進(jìn)行模式識(shí)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(shí)際的神經(jīng)網(wǎng)絡(luò)模型仍然無(wú)法測(cè)試，此前的相關(guān)研究也較少。

第一批可以測(cè)試并具有多個(gè)層的神經(jīng)網(wǎng)絡(luò)于 1965 年由 Alexey Ivakhnenko 和 Lapa 創(chuàng)建。

之后，由于機(jī)器學(xué)習(xí)模型具有很強(qiáng)可行性，神經(jīng)網(wǎng)絡(luò)的研究停滯不前。很多人認(rèn)為這是因?yàn)?Marvin Minsky 和 Seymour Papert 在 1969 年完成的書《感知機(jī)》（Perceptrons）導(dǎo)致的。

然而，這個(gè)停滯期相對(duì)較短。6 年后，即 1975 年，Paul Werbos 提出反向傳播，解決了 XOR 問(wèn)題，并且使神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率更高。

1992 年，最大池化（max-pooling）被提出，這有助于 3D 目標(biāo)識(shí)別，因?yàn)樗邆淦揭撇蛔冃?，?duì)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(luò)和深度前饋神經(jīng)網(wǎng)絡(luò)獲得了模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域 8 項(xiàng)國(guó)際競(jìng)賽的冠軍。

2011 年，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)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(gè)全連接層，再傳遞給輸出層。這些被稱為卷積神經(jīng)網(wǎng)絡(luò)。

在這之后還有更多的研究。

什么是神經(jīng)網(wǎng)絡(luò)？

了解神經(jīng)網(wǎng)絡(luò)的一個(gè)好方法是將它看作復(fù)合函數(shù)。你輸入一些數(shù)據(jù)，它會(huì)輸出一些數(shù)據(jù)。

3 個(gè)部分組成了神經(jīng)網(wǎng)絡(luò)的的基本架構(gòu)：

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

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(lái)安排磚塊的位置。水泥是權(quán)重。無(wú)論權(quán)重多大，如果沒有足夠的磚塊，建筑物還是會(huì)倒塌。然而，你可以讓建筑以最小的精度運(yùn)行（使用最少的磚塊），然后逐步構(gòu)建架構(gòu)來(lái)解決問(wèn)題。

我將在后面的章節(jié)中更多地討論權(quán)重、偏置項(xiàng)和單元。

單元/神經(jīng)元

作為神經(jīng)網(wǎng)絡(luò)架構(gòu)三個(gè)部分中最不重要的部分，神經(jīng)元是包含權(quán)重和偏置項(xiàng)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(jì)算，然后使用激活函數(shù)將數(shù)據(jù)限制在一個(gè)范圍內(nèi)（多數(shù)情況下）。

我們將這些單元想象成一個(gè)包含權(quán)重和偏置項(xiàng)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(jìn)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(xiàng)。這是一個(gè)單元，也可以被認(rèn)為是一個(gè)函數(shù)。該函數(shù)與下面這個(gè)直線方程類似：

想象一下有多個(gè)直線方程，超過(guò) 2 個(gè)可以促進(jìn)神經(jīng)網(wǎng)絡(luò)中的非線性。從現(xiàn)在開始，你將為同一個(gè)數(shù)據(jù)點(diǎn)（輸入）計(jì)算多個(gè)輸出值。這些輸出值將被發(fā)送到另一個(gè)單元，然后神經(jīng)網(wǎng)絡(luò)會(huì)計(jì)算出最終輸出值。

權(quán)重/參數(shù)/連接

作為神經(jīng)網(wǎng)絡(luò)最重要的部分，這些（和偏置項(xiàng)）是用神經(jīng)網(wǎng)絡(luò)解決問(wèn)題時(shí)必須學(xué)習(xí)的數(shù)值。這就是你現(xiàn)在需要知道的。

偏置項(xiàng)

這些數(shù)字代表神經(jīng)網(wǎng)絡(luò)認(rèn)為其在將權(quán)重與數(shù)據(jù)相乘之后應(yīng)該添加的內(nèi)容。當(dāng)然，它們經(jīng)常出錯(cuò)，但神經(jīng)網(wǎng)絡(luò)隨后也學(xué)習(xí)到最佳偏置項(xiàng)。

超參數(shù)

超參數(shù)必須手動(dòng)設(shè)置。如果將神經(jīng)網(wǎng)絡(luò)看作一臺(tái)機(jī)器，那么改變機(jī)器行為的 nob 就是神經(jīng)網(wǎng)絡(luò)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(luò)超參數(shù)。

激活函數(shù)

也稱為映射函數(shù)（mapping function）。它們?cè)?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(gè)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(luò)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(luò)在任何問(wèn)題中都可獲得復(fù)雜度的原因。增加層（具備單元）可增加神經(jīng)網(wǎng)絡(luò)輸出的非線性。

每個(gè)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(duì)于一個(gè)簡(jiǎn)單的任務(wù)而言，層數(shù)過(guò)多會(huì)增加不必要的復(fù)雜性，且在大多數(shù)情況下會(huì)降低其準(zhǔn)確率。反之亦然。

每個(gè)神經(jīng)網(wǎng)絡(luò)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(luò)包含一個(gè)輸入層（8 個(gè)單元）、一個(gè)輸出層（4 個(gè)單元）和 3 個(gè)隱藏層（每層包含 9 個(gè)單元）。

深度神經(jīng)網(wǎng)絡(luò)

具有兩個(gè)或更多隱藏層且每層包含大量單元的神經(jīng)網(wǎng)絡(luò)稱為深度神經(jīng)網(wǎng)絡(luò)，它催生了深度學(xué)習(xí)這一新的學(xué)習(xí)領(lǐng)域。上圖所示神經(jīng)網(wǎng)絡(luò)就是這樣一個(gè)例子。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)發(fā)生了什么？

教神經(jīng)網(wǎng)絡(luò)解決問(wèn)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(xùn)練神經(jīng)網(wǎng)絡(luò)方法是使用反向傳播。使用這種方法，神經(jīng)網(wǎng)絡(luò)輸出層的誤差會(huì)通過(guò)微積分中的鏈?zhǔn)揭?guī)則向后傳播。這對(duì)于沒有微積分知識(shí)的初學(xué)者來(lái)說(shuō)可能會(huì)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(xùn)練神經(jīng)網(wǎng)絡(luò)有許多注意事項(xiàng)。但對(duì)于初學(xué)者來(lái)說(shuō)，沒有必要在一篇文章中了解全部。

實(shí)現(xiàn)細(xì)節(jié)（如何管理項(xiàng)目中的所有因素）

為了解釋如何管理項(xiàng)目中的所有因素，我創(chuàng)建了一個(gè) Jupyter Notebook，包含一個(gè)學(xué)習(xí) XOR 邏輯門的小型神經(jīng)網(wǎng)絡(luò)。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(yīng)該對(duì)如何構(gòu)建基礎(chǔ)神經(jīng)網(wǎng)絡(luò)有一個(gè)大致的了解。

Notebook 創(chuàng)建的神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(xiàng)目中的矩陣維度可能會(huì)有所不同。

大量數(shù)據(jù)通常分為兩類：訓(xùn)練數(shù)據(jù)（60％）和測(cè)試數(shù)據(jù)（40％）。神經(jīng)網(wǎng)絡(luò)先使用訓(xùn)練數(shù)據(jù)，然后在測(cè)試數(shù)據(jù)上測(cè)試網(wǎng)絡(luò)的準(zhǔn)確率。

關(guān)于神經(jīng)網(wǎng)絡(luò)的更多信息（更多資源鏈接）

如果你仍然無(wú)法理解神經(jīng)網(wǎng)絡(luò)，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