从神经网络说起：深度学习初学者不可不知的25个术语和概念（上）

人工智能，深度学习和机器学习，不论你现在是否能够理解这些概念，你都应该学习。否则三年内，你就会像灭绝的恐龙一样被社会淘汰。

——马克·库班（NBA小牛队老板，亿万富翁）

马克·库班的这番话可能听起来挺吓人的，但道理是没毛病的！我们正经历一场大革命，这场革命就是由大数据和强大电脑计算能力发起的。

让我们花几分钟回想一下20世纪初的景象。那个时候很多人都不懂什么是电，在过去几十年，甚至几百年的时间里，人们一直沿用一种方式去做某件事情，但是突然间，好像身边的一切都变了。

以前需要很多人才能做成的事情，现在只需要一个人应用电力就能做成。而我们现在就正在经历相似的变革过程，今天这场变革的主角就是机器学习和深度学习。

如果你现在还不懂深度学习的巨大力量，那你真的要抓紧时间开始学啦！这篇文章就为大家介绍了深度学习领域常用的一些术语和概念。现在就从神经网络开始讲起。

神经网络基础概念：

（1）神经元——正如神经元是大脑的基本单位一样，在神经网络结构中，神经元也是一个小单位。大家不妨想象一下当我们接触到新的信息时，大脑是如何运作的。

首先，我们会在脑中处理这个信息，然后产生输出信息。在神经网络中也是如此，神经元接收到一个输入信息，然后对它进行加工处理，然后产生输出信息，传输到其他神经元中进行进一步信息处理。

（2）权重——当输入信息到达神经元时，它就会乘上一个权重。举例来说，如果一个神经元包含两个输入信息，那么每个输入信息都被赋予它的关联权重。我们随机初始化权重，并在模型训练过程中更新这些权重。

接受训练后的神经网络会赋予它认为重要的输入信息更高的权重值，而那些不重要的输入信息权重值则会相对较小。权重值为零就意味着这个特征是无关紧要的。

我们不妨假设输入信息为a，其关联权重为

,通过节点后，输入信息变为

：

（3）偏置 —— 除了权重之外，输入还有另一个线性分量，被称为偏置。输入信息乘上权重后再加上偏置，用来改变权重乘输入的范围。加上偏置之后，结果就变为

，这就是输入信息变换的最终线性分量。

（4）激活函数——线性分量应用可以到输入信息，非线性函数也可以应用到输入信息。这种输入信息过程是通过激活函数来实现的。

激活函数将输入信号翻译成输出信号。激活函数产生的输出信息为

，其中f(x)就是激活函数。

在下面的图表中，我们可以看到，输入信息数量为n，表示为

到

，相应的权重为

到

。将偏置设为

。权重乘以输入信息，再加偏置，我们设所得的值为u：

u=∑w*x+b

将u带入激活函数中，最后我们就可以得到从神经元输出的

常用激活函数

最常用的激活函数有Sigmoid、ReLU 和softmax。

• Sigmoid——Sigmoid是最常用的激活函数之一。 它的定义为：

Sigmoid函数会生成0到1之间的更平滑的取值范围。我们可能需要观察输出值的变化，同时输入值也会略有变化。而平滑的曲线更方便我们观察，因此它优于阶梯函数（step functions）。

• ReLU（线性修正单位）——不同于sigmoid函数，现在的网络更倾向于使用隐层ReLu激活函数。该函数的定义是：

当X> 0时，函数的输出为X，X <= 0时为0。该函数如下所示：

使用ReLU的好处主要是它对于大于0的所有输入值都有对应的不变导数值。而常数导数值可以加快对网络的训练。

• Softmax——Softmax激活函数常用于输出层的分类问题。 它与sigmoid函数类似，唯一的区别是在Softmax激活函数中，输出被归一化，总和变为1。

如果我们遇到的是二进制输出问题，就可以使用Sigmoid函数，而如果我们遇到的是多类型分类问题，使用softmax函数可以轻松地为每个类型分配值，并且可以很容易地将这个值转化为概率。

这样看可能更容易理解一些——假设你正在尝试识别一个看起来像8实际为6的数。该函数将为每个数字赋值，如下所示。我们可以很容易地看出，最高概率被分配给了6，下一个最高概率则分配给8，依此类推...

（5）神经网络 ——神经网络是深度学习的主干之一。神经网络的目标是找到未知函数的一个近似值。它由相互联系的神经元组成。

这些神经元具有权重，并且会根据出错情况，在网络训练期间更新偏置值。激活函数将非线性变换置于线性组合，之后生成输出。被激活的神经元组合再产生输出。

对神经网络的定义中，以Liping Yang的最为贴切：

“神经网络由许多相互关联的概念化的人造神经元组成，这些人造神经元之间可以互相传递数据，并且具有根据网络‘经验’调整的相关权重。

神经元具有激活阈值，如果结合相关权重组合并激活传递给他们的数据，神经元的激活阈值就会被解除，激活的神经元的组合就会开始‘学习’。”

翻译：灯塔大数据