深度学习基础之《TensorFlow框架（15）—神经网络》

一、神经网络基础

1、什么是神经网络
人工神经网络（Artificial Neural Network，简写为ANN）。也简称为神经网络（NN）
是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的计算模型
经典的神经网络结构包含三个层次的神经网络。分别为输入层、输出层以及隐藏层

其中每层的圆圈代表一个神经元，隐藏层和输出层的神经元有输入的数据计算后输出，输入层的神经元只是输入

2、神经网络的特点
（1）每个连接都有个权值
（2）同一层神经元之间没有连接
（3）最后的输出结果对应的层也称之为全连接层
神经网络是深度学习的重要算法，在图像（如图像的分类、检测）和自然语言处理（如文本分类、聊天等）有很多应用

3、为什么设计这样的结构呢
首先从一个最基础的结构说起—神经元。以前也称之为感知机。神经元就是要模拟人的神经元结构
一个神经元通常具有多个树突，主要用来接受传入信息。而轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫“突触”

4、感知机
PLA：Perceptron Learning Algorithm
感知机就是模拟这样的大脑神经网络处理数据的过程。感知机模型如下：

感知机是一种基础的分类模型，类似于逻辑回归，不同的是，感知机的激活函数用的是sign，而逻辑回归用的sigmoid。感知机也具有连接的权重和偏置
输入层有x1 x2 x3 x4四个特征，相当于树突收集信息，每个树突都带有权重，加权，加权之后结果再经过偏置，一系列的处理，再经过激活函数func，最后输出

u=加权(权重*特征值)+偏置
u映射到sign(u)函数当中，如果u大于0，就给正1，如果u小于等于0，就给负1

sign函数：

5、感知机可以解决的问题 — 简单的或、与问题
或问题：
x1 x2
0  0 => 0
0  1 => 1
1  0 => 0
1  1 => 1
与问题：
x1 x2
0  0 => 0
0  1 => 0
1  0 => 0
1  1 => 1

相当于用w1x1 + w2x2，看和阈值b之间的关系

二、playground使用

1、网址https://playground.tensorflow.org/

2、playground演示
目标：区分红点和蓝点
FEATURES：是特征
HIDDEN LAYER：是隐藏层
neurons：是神经元

（1）特征只按照直线分割，2个神经元，没有激活函数
计算不出

（2）特征只按照直线分割，加了两层，各4个神经元，设置激活函数
基本可以计算出

（3）特征按照十字分割，2个神经元，没有激活函数
可以计算出来

可以看出特征取的准确，很快可以计算出来。特征取的不是那么完整，可以通过增加神经元和激活函数计算出来

三、神经网络原理

1、神经网络的主要用途在于分类，那么整个神经网络分类的原理是怎么样的？
围绕损失、优化这两块内容

2、神经网络输出结果如何分类？
神经网络解决多分类问题最常用的方法是设置n个输出节点，其中n为类别的个数
任意事件发生的概率都在0和1之间，且总有某一个事件发生（概率的和为1）。如果将分类问题中“一个样例属于某一个类别”看成一个概率事件，那么训练数据的正确答案就符合一个概率分布。如何将神经网络前向传播得到的结果也变成概率分布呢？softmax回归就是一个非常常用的方法