人工智能零基础入门1

导读

AI将会像一场新的电气革命；

电气曾经改变了无数的行业：运输、制造、医疗、通信等等；

AI将会带来更大尺度的改变。

第一节什么是神经网络

“深度学习”指的是训练神经网络，有时候规模很大，那么神经网络究竟是什么呢？我们从一个预测房价的例子开始：

假设有一个六间房子的数据集，已知房子的面积单位是平方米，已知房子的价格，想找到一个根据房屋面积预测房价的函数。如果你懂得线性回归，你可能会说，好吧，用这些数据来拟合一条直线，于是，你可能会得到这样一条直线：

但是奇怪的是，你可能也知道，价格永远不会为负，因此直线不太合适，因为直线会让价格为负，我们就在这里弯曲一下让它的价格为。

这条粗的蓝线就是你要的根据房屋面积预测价格的函数。标1的地方为，标2的地方是一条拟合的很好的直线，你也许可以把这个房屋加上拟合函数看作是一个非常简单的神经网络，这当然几乎是最简单的神经网络了，让我们在这里分析：

我们把房屋的面积，作为神经网络的输入，标记为x，通过一个节点，也就是一个小圆圈，最后输出到价格，标记为y：

这个小圆圈，就是一个独立的神经元。这个网络实现了上图的函数的功能，这个神经元所做的，就是输入面积，完成线性运算，取不小于的值，最后得到输出预测的价格。

神经网络的文献中，经常看到这个函数，这个函数一开始是，然后就是一条直线，这个函数被称之为ReLU函数，全称是“修正线性单元”，即ReLU函数。“修正”是指取不小于的数。这就是这个函数长成这个样子的原因。如果看到这里，还不理解ReLU函数的话，也不用太担心。本书后面还会看到这个函数的。

这是一个单神经单元，规模很小的神经网络，大一点的神经网络，是把这些单个神经元堆叠起来形成的，你可以把这些单个的神经元，想象单独的乐高积木，你通过搭建积木来构建一个更大的神经网络。

接下来，我们再来看一个例子，不仅仅用房屋面积来预测价格，比如卧室的数量，这样记录下来，你可能会想到，有一个很重要的因素会影响到房价，那就是家庭人数，这个房子能住下三口之家、四口之家或者五口之家，这个性质和面积大小相关，还有卧室的数量，能否满足住户的家庭人数需求。

你可能知道邮编，在一些国家，也被叫做邮政编码，邮编或许也可以作为一个特征，说明了这个房子是否适合步行，这个房屋附近是否都非常适合步行，你是否能步行去商店或者步行去学校？是否需要开车？很多人喜欢社区成熟方便日常步行就能解决问题的房屋。

另外，根据邮政编码，还有富裕程度，可以体现附近学校的质量。我们画的每一个小圆圈，都可能是一个ReLU，即“修正线性单元”或者其他不那么线性的函数，基于房屋面积和卧室数量，你可以估算家庭人口，基于邮编可以评估学校质量。

最后，你可能在想，人们愿意在房子上面花多少钱，和他们关注什么息息相关。

在这个例子中，家庭人口、商业环境、学校质量，都可以帮助你预测房屋的价格，x是所有的这四个，面积、卧室、邮编及财富的输入，y是预测的价格，把这些独立的神经元叠加起来，相比于第一个例子中简单的神经元，这个例子就形成了一个稍微大一点的神经网络。

神经网络的一部分神奇之处在于，当你实现了它之后，你要做的仅仅是输入x即可，就能得到输出y，而不管训练集有多大，所有中间过程神经网络都会自己完成，那么你实际上要做的就是这样的一个神经网络：

这是一个具有四个输入的神经网络，输入的特征可能是卧室的数量、邮政编码或者周边的富裕程度，已知这些输入特征，神经网络的工作就是预测对应的价格。同时可以注意到这些圆圈，在神经网络中，这些圆圈被叫做“隐藏单元”。每个输入都同时来自四个特征，比如说，我们不会具体的说第一个节点表示家庭人口，或者说家庭人口仅取决于特征x1和x2，而是说由神经网络自己来决定这个节点是什么，我们只给这个神经网络4个输入，随便它怎么计算，因此我们说x1到x2这一层叫做输入层，而中间这一层，在神经网络中，是连接数量最多的，因为每一个特征都连接到了中间这一层的每一个圆圈。值得注意的是，对于神经网络，只要你喂给他足够多的数据，关于x和y的数据，给出足够的x、y训练样本，神经网络就会非常善于计算x到y的精确映射函数。

这就是一个基本的神经网络，你可能发现，自己的神经网络在监督学习的环境下是如此的强大和有效，也就是说，你只要尝试输入一个x，即可将它应设为y，就像我们从上面的预测房价的例子中看到的。

本次连载第一节。

下期预告：

如何用神经网络进行监督学习？

通过下期的学习，您将会对监督学习有进一步深入的理解！如果您对人工智能感兴趣，请关注“职场公会公众号”，为您持续解读。

足不出户，预定个职位：点击登陆