本文来自 Youtube 上的一段 5 分钟的漫画版视频。这段关于“什么是神经网络”的视频对神经网络的概念进行了有趣的介绍。我们将学习神经网络中存在的不同层，并了解这些层如何处理数据。我们将了解神经网络中使用的不同参数，如权重、偏差和激活函数。我们还将了解如何使用正向传播训练神经网络，然后使用反向传播方法调整网络中的误差。本视频还涵盖了一些流行的神经网络应用。现在，让我们直接开始学习什么是神经网络。

介绍

去年夏天，我们全家去了俄罗斯，尽管我们都不会俄语，但因为 Google 能将俄语实时翻译成英语，我们的出行没有遇到任何麻烦。

这只是神经网络的应用之一， 还应用于人脸识别、音乐创作等。

神经网络是深度学习的基础，深度学习是机器学习的一个子领域，其算法受人脑结构的启发而来。

神经网络通过对大量数据进行训练以识别这些数据中的特征，学习到的模型用来预测一组新的相似数据。

原理

我们来构造一个区分正方形、圆形和三角形的神经网络，以了解神经网络是如何工作的。

神经网络由一层层神经元组成，这些神经元是网络的核心处理单元。首先，我们有一个输入层（Input Layer）来接收输入，输出层（Output Layer）是我们的预测的终输出，在它们之间存在执行我们网络所需的大多数计算的隐含层（Hidden Layers）。

这是一个圆形图像，该图像由 28 x 28 像素组成，占 784 像素。每个像素作为输入馈送到层的每个神经元，这一层的神经元通过通道连接到下一层的神经元。这些通道中的每个通道都分配了一个称为权重（weight）的数值，将输入乘以相应的权重，并将它们的总和作为输入发送到隐藏层中的神经元。这些神经元都有一个称为偏差(bias)的数值与之关联，将偏差添加到输入总和中。然后将此值通过称为激活函数（Activation Function）的阈值函数传递，激活函数的输出结果确定特定神经元是否将被激活。激活的神经元通过通道将数据传输到下一层的神经元。

数据以这种方式通过网络传播，这称为前向传播（Forward Propagation）。

在输出层中，具有高值的神经元触发并确定输出，这些值基本上是一个概率值。

当然，我们一看就知道这里的神经网络做出了错误的预测，那么神经网络如何解决呢？请注意，到这里我们的神经网络还没有接受训练。

在这个训练过程中，和输入一样将输出也馈送给神经网络。将预测输出与实际输出进行比较以得到预测中的误差，误差的大小表示错误程度，符号表示我们的预测值高于或低于预期，此处的箭头表示需要改变方向和幅度以减少误差。

然后，将此信息通过神经网络向后传输，这称为反向传播。向前传播和向后传播的循环是通过多次输入迭代执行的，在此过程中调整权重，一直持续到分配的权重使神经网络可以正确预测形状为止。

这里当预测为圆形的准确率达到 0.9 时， 大多数情况下，我们的训练过程就结束了。

您可能想知道这个训练过程需要花多长时间，说实话，神经网络可能要花费数小时甚至数月的时间。所以在选择使用神经网络来训练时，需要权衡一下所需要的训练时间。

应用

让我们看一下神经网络的一些主要应用。

人脸识别

如今，智能手机上的摄像头可以根据人的面部表情来预测其年龄特征。这是神经网络的作用，首先把脸和背景区分开，然后把脸上的线条和斑点与可能的年龄联系起来。

预测

训练神经网络以了解规律，例如高精度的预测降雨或股票的价格和趋势。

音乐创作

神经网络甚至可以学习音乐，并训练自己谱写一首新的曲子。

未来

借助深度学习和神经网络，我们只迈出了一小步。

一些大公司已经预见了该领域的增长，Google，Amazon 和 Nvidia 等公司已经投资开发了支持实现神经网络的产品，例如库，预测模型和直观的GPU。

那么我们可以在多大程度上复制人类的大脑？得再等几年给出明确的答案。

小测验

所以这里有个问题要问你。下列哪项陈述不成立？

A、 激活函数是阈值函数
B、 在神经网络的每一层计算误差
C、 前向和后向传播都发生在神经网络的训练过程中
D、 大多数数据处理是在隐藏层中进行的

说明：在神经网络中，模型中的误差总是在得到预测输出后计算，即在网络的输出层。将预测的输出与模型的实际输出进行比较。在网络中执行反向传播算法，并优化权值以减小模型中的误差。此过程重复多次以获得终输出，使误差小。