神经网络的基本原理

• 人工神经网络的概念

人工神经网络（Artificial Neural Networks，简写为ANNs），也简称为神经网络（NNs）或称作连接模型（Connection Model）。

它从信息处理角度对人脑神经元网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。

可以理解为，人工神经网络就是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。

真正的神经元

神经元大致可以分为树突、突触、细胞体和轴突。树突为神经元的输入通道，其功能是将其他神经元的动作电位传递至细胞体。其他神经元的动作电位借由位于树突分支上的多个突触传递至树突上。

人工神经网络的结构图

每一个神经元都有一些神经元作为其输入，又是另一些神经元的输入，数值向量就像是电信号，在不同神经元之间传导，每一个神经元只有满足了某种条件才会发射信号到下一层神经元

• 神经网络常用于分类

如何对以下情况进行分类呢

垃圾邮件识别：现在有一封电子邮件，把出现在里面的所有词汇提取出来，送进一个机器里，机器需要判断这封邮件是否是垃圾邮件。

疾病判断：病人到医院去做了一大堆肝功、尿检测验，把测验结果送进一个机器里，机器需要判断这个病人是否得病，得的什么病。

猫狗分类：有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗

分类器

这种能自动对输入的变量进行分类的机器，就叫做分类器。分类器的输入是一个数值向量，叫做特征（向量）。

人工神经网络的训练

人工神经网络的训练依靠反向传播算法

最开始输入层输入特征向量，网络层层计算获得输出，输出层发现输出和正确的类号不一样，这时它就让最后一层神经元进行参数调整，最后一层神经元不仅自己调整参数，还会勒令连接它的倒数第二层神经元调整，层层往回退着调整。经过调整的网络会在样本上继续测试，如果输出还是老分错，继续来一轮回退调整，直到网络输出满意为止。

简单而言，

无监督训练就是，输入未带有类别标签的特征向量。

有监督训练就是，输入带有类别标签的特征向量。

训练的目的就是为了得到一个合适的参数（权重）W

大部分情况下，每个神经元节点的参数W是有差异的