当前位置：首页 > news >正文

【08-神经网络介绍】

news 2025/8/12 15:35:09

前言

神经网络的工作原理，如何进行推理和预测；

如何训练自己的神经网络；

构建机器学习系统的实际建议；

学习决策树；

神经网络，模仿大脑工作的软件

语音识别 -> 图像识别 -> 文本NLP -> …

大脑如何工作：神经元 - 突触 - 神经元，许许多多神经元相互连接形成的网络，相互传输电信号；

1990 年，神经网络 - 2005 深度学习 -

数据量的爆发，以及神经网络可以增加神经元的数目，并利用大量的数据，可以不断提高该模型的性能；
在这里插入图片描述

工作原理

神经网络的工作原理

需求预测：某T-shit的销量好不好；

a, activation, 术语，指一个神经元向下游的其他神经元发送高输出的程度（频率？密度？）；

a = f(x) = 1 / (1 + e^-(wx+b));

使用逻辑回归来预测，输入价格x，输出卖地好的概率值，这件事给一个神经元节点来做；也可以将神经元理解为小型计算机，负责将输入的值经过计算之后输出；

构建一个神经网络：将这些神经元连结在一起；

例子2：预测T-shit销量好不好；

输入特征：价格price, 运费shipping cost, 营销marketing，材料material;

第一个神经元：特征为价格和运费，作为消费者的成本；affordability

第二个神经元：特征为营销，作为消费者的感知度；awareness

第三个神经元：特征为价格和材料，作为消费者的认为是否是高质量的；perceived quality
在这里插入图片描述

在神经网络的术语中，将 affordability、awareness、perceived quality 称为 activations；

生物上，activations 指生物神经元发送高输出值/给下游许多神经元发送许多电脉冲的程度；

这三个神经元的输出被称为 affordability、awareness、perceived quality 的激活值activations;

最后输出的概率是第二层神经元的activation激活值；

目前为止，我们必须逐个神经元决定它从上一层获取哪些输入，实际上，由很多特征参数和神经元时，对每个神经元逐个决定它的入参是一项非常耗时切繁杂的工作，而在实际的操作中，每个神经元都可以获取到上一层神经元的所有的值，

更改为：输入为一个特征向量x，其中有四个值；向量x输入到中间层，每个神经元根据自己的侧重点来调整其他特征值的参数（例如对于affordability节点，可调整marketing material的参数很小），然后输出三个节点的激活值，这三个激活值再作为最后一个节点的入参，最后输出大卖概率；

它有三层，第一层是一个特征向量（包含四个值），第二层的输入是包含四个值的特征向量，输出三个激活值，第三层输入三个激活值，输出概率。

输入层，隐藏层，输出层。
在这里插入图片描述

对于给定的数据集而言，有一组数据：价格，运费，营销费，材料，以及销量（或是否大卖）；

对于神经网络模型而言，一些中间参数和变量，如 affordability, awareness, perceived quality ,即输出节点的入参数据，是未知的，对于训练集而言，这些值是隐藏的。

当先暂时不看第一层时，它就是几个逻辑回归模型节点的组合，但是它的入参 affordability, awareness, perceived quality 是未知的，且相对于原始特征而言，这是一组新的特征，这些新的特征可能对于预测它是否大卖有更好的效果，但是它是一个可以学习自己特征的逻辑回归的版本，它更容易做出准确的预测。

在特征工程中，如何选择特征是一个问题，而在神经网络中，不需要手动设计特征，它可以学习它自己的特征，使得它学习问题更容易。

需要注意的是，虽然我们刚刚人工指定了隐藏层的特征affordability, awareness, perceived quality ，但在实际的神经网络中，你不需要明确决定哪些是特征，它会自己找出在这个隐藏层中想要使用的特征，这也是它成为如此强大的学习算法的原因。

构建神经网络模型时，需要决定，需要几个隐藏层，每个隐藏层有几个神经元；

具备多个层的神经网络被称为多层感知器multi-layer perceptron；

每一层输入一个数字向量，并对其应用一系列逻辑回归单元，然后计算另一个数字向量，然后从一层传递到另一层，直到得到最终输出层的计算。