2020-12-01

一.什么是神经网络
生物学上的神经元。
接受其他多个神经元的信号，每个输入的信号代表的权重不一样，当他们的和超过固定的值，则神经元点火，否则不做出任何反应。
而人工神经网络
是把生物学上的神经元以数学形式表达，并以其为单位，构成的网络。
神经网络可以通过学习已有的数据对以后的事情进行预测。
神经网络可以应用于图像识别等领域。例如数字识别，给出一组数字要计算机识别数字零。然而一个数字0，
不同的人写，就有不同的0。
如果把所有的东西交给计算机是不现实的。这时神经网络便发挥了作用。（学习已有的数据对未知的数据进行判断。）
二.神经元的数学表示形式。
一个神经元有多个输入信号，且每个输入信号对应的权重不一样。
如果w1x1+w2x2+w3x3>阈值
f(w1x1+w2x2+w3x3)=1
否则
f(w1x1+w2x2+w3x3)=0神经元不兴奋。
w1x1+w2x2+w3x3-阈值(1-1)
然而为了等式的整齐我们把负号变为正。
因此(1-1)得
w1x1+w2x2+w3x3+b。
三.神经网络
神经单元是神经元的数学表达，多个神经元可以组成神经网络。
网络的连接多种多样，我将写一下简单的阶层型神经网络。
阶层形神经网络顾名思义，按层来划分神经元，且前一层任一神经元与后一层任一神经元相连。
按功能分为三个层：
输入层：负责读取神经网络的信息，将数据按原样输出。
隐藏层：处理信息，特征提取。
输出层：是整个神经网络的输出。
神经网络是通过特征的多次提取来找到答案，隐藏层提取特征，通过权重隐藏层的神经单元便可获取自己想要数据，而屏蔽自己不需要的数据，
通过偏执可以进一步帮助神经元消除这些噪音。
四.神经网络通过数学联系起来：
在求加权输入时 z=w1x1+w2x2+w3x3+b为一元函数。
在神经网络中后一层往往需要前一层的值，这个特性很像数列中的递推公式。
激活函数神经网络的加权输入经过激活函数后得出输出值。
为了让计算方便，我们将神经网络每个层的值用数来表示。
这就需要了解矩阵的运算。
A.B均是矩阵 A*B=C 拿C的第i行第j列元素为例子，解释他的出处。他是A矩阵的第I行的行向量与B矩阵第j列的列向量的
内积所得到的值。