每天十分钟机器学习之二十：神经网络的基础

众所周知，神经网络模型的诞生是根据大脑中的神经元的工作原理而来，其实神经网络的学习过程和人的学习过程是一样的，回想一下我们是如何从众多图片中选出哪些是车的，不就是我们之前看了很多车的图片，知道了这些图片具备哪些特征，当在看到新的图片时，根据这些特征就能区分是不是车了，神经网络的学习和这个原理是一模一样。

如下图，简单说一下大脑神经元的结构，大脑中每一个神经元都可以被认为是一个处理单元/神经核，它含有许多输入/树突，并且有一个输出/轴突，神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络。

神经网络模型建立在很多神经元之上，下图是一个以逻辑回归模型作为自身学习模型的神经元示例，在神经网络中，参数又可被成为权重。

我们设计出了类似于神经元的神经网络，效果如下：

其中x1,x2,x3是输入单元，我们将原始数据输入给它们，也就是我们通常说的输入层。a1,a2,a3是中间单元，它们负责将数据进行处理，然后呈递到下一层，也就是我们通常说的隐藏层。最后是输出单元，它负责计算hθ(x)，也就是我们通常说的输出层。

神经网络模型是许多逻辑单元按照不同层级组织起来的网络，每一层的输出变量都是下一层的输入变量。下图为一个3层的神经网络，第一层成为输入层，最后一层称为输出层，中间一层成为隐藏层。我们为每一层都增加一个偏差单位。

下面引入一些标记法来帮助描述模型：

以上就是神经网络的主要基础知识。

祝您的机器学习之旅愉快！

本文参考资料：斯坦福吴恩达老师的机器学习讲义，图片直接来自讲义；