1.2 什么是神经网络？(What is a Neural Network)

例1：房价预测

假设你有一个数据集包含了六栋房子的信息（面积，价格）。你想要拟合一个根据房屋面积预测房价的函数。

如果你对线性回归很熟悉，于是你可能会得到这样一条直线。

但价格永远不会是负数的。因此，为了替代一条可能会让价格为负的直线，我们把直线弯曲一点，让它最终在零结束。这条粗的蓝线最终就是你的函数，用于根据房屋面积预测价格。

在有关神经网络的文献中，你经常看得到这个函数。从趋近于零开始，然后变成一条直线。这个函数被称作ReLU激活函数，它的全称是Rectified Linear Unit。rectify（修正）可以理解成，这也是你得到一个这种形状的函数的原因。

我们把房屋的面积作为神经网络的输入（我们称之为x），通过一个节点（一个小圆圈），最终输出了价格（我们用y表示）。其实这个小圆圈就是一个单独的神经元。接着你的网络实现了上面这个函数的功能。

如果这是一个单神经元网络，不管规模大小，它正是通过把这些单个神经元叠加在一起来形成。

例2：房价预测

我们不仅仅用房屋的面积来预测它的价格，现在你有了一些有关房屋的其它特征，比如卧室的数量，邮政编码和周围富裕程度。

在图上每一个画的小圆圈都可以是ReLU的一部分，也就是指修正线性单元，或者其它稍微非线性的函数。

（1）基于房屋面积和卧室数量，可以估算家庭人口
（2）基于邮编，可以估测步行化程度或者学校的质量。
（3）邻居的富裕程度，可以估算学校的质量。

在这个情景里，家庭人口、步行化程度以及学校的质量都能帮助你预测房屋的价格。以此为例， 是所有的这四个输入， 得到了三个神经元，把这些单个的神经元叠加在一起，我们就有了一个稍微大一点的神经网络。它可以需要你得到房屋面积、步行化程度和学校的质量，或者其它影响价格的因素。

当你实现它之后，你要做的只是输入x，就能得到输出y。因为它可以自己计算你训练集中样本的数目以及所有的中间过程。所以，你实际上要做的就是：这里有四个输入的神经网络，这输入的特征可能是房屋的大小、卧室的数量、邮政编码和区域的富裕程度。给出这些输入的特征之后，神经网络的工作就是预测对应的价格。

同时也注意到这些隐藏单元圆圈，在一个神经网络中，它们每个都从输入的四个特征获得自身输入。因此，我们说输入层和中间层被紧密的连接起来了。

当给予神经网络足够多的训练数据x和y，神经网络可以计算从x到y的精准映射函数。