神經(jīng)網(wǎng)絡(luò)是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域普遍所應(yīng)用的，例如可利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別、語(yǔ)音識(shí)別等，從而將其拓展應(yīng)用于自動(dòng)駕駛汽車。它是一種高度并行的信息處理系統(tǒng)，具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力，不依賴于研究對(duì)象的數(shù)學(xué)模型，對(duì)被控對(duì)象的的系統(tǒng)參數(shù)變化及外界干擾有很好的魯棒性，能處理復(fù)雜的多輸入、多輸出非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)要解決的基本問(wèn)題是分類問(wèn)題。

目前在機(jī)器學(xué)習(xí)領(lǐng)域火爆的開(kāi)源軟件庫(kù)中，TensorFlow算其中一個(gè)，里面有大量的機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)方面的研究，畢竟由Google 大腦小組開(kāi)發(fā)出來(lái)，其系統(tǒng)的通用性和易用性是無(wú)可比擬的，TensorFlow是一個(gè)采用數(shù)據(jù)流圖（Data flow graphs），用于數(shù)值計(jì)算的開(kāi)源軟件庫(kù)。節(jié)點(diǎn)（Nodes）在圖中表示數(shù)學(xué)操作，圖中的線（edges）則表示在節(jié)點(diǎn)間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（tensor）。（數(shù)據(jù)流圖用“結(jié)點(diǎn)”（nodes）和“線”（edges）的有向圖來(lái)描述數(shù)學(xué)計(jì)算。“節(jié)點(diǎn)”一般用來(lái)表示施加的數(shù)學(xué)操作，但也可以表示數(shù)據(jù)輸入（feedin）的起點(diǎn)／輸出（push out）的終點(diǎn)，或者是讀�。瘜懭氤志米兞浚╬ersistent variable）的終點(diǎn)�！熬�”表示“節(jié)點(diǎn)”之間的輸入／輸出關(guān)系。這些數(shù)據(jù)“線”可以輸運(yùn)“size可動(dòng)態(tài)調(diào)整”的多維數(shù)據(jù)數(shù)組，即“張量”（tensor）。張量從圖中流過(guò)的直觀圖像是這個(gè)工具取名為“Tensorflow”的原因，一旦輸入端的所有張量準(zhǔn)備好，節(jié)點(diǎn)將被分配到各種計(jì)算設(shè)備完成異步并行地執(zhí)行運(yùn)算）。因此對(duì)想快速上手神經(jīng)網(wǎng)絡(luò)做一些有趣的圖像識(shí)別和語(yǔ)音識(shí)別的小伙伴可利用TensorFlow進(jìn)行學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)的變種目前有很多，如誤差反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)路、概率神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network ，CNN－適用于圖像識(shí)別）、時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（Long short－term Memory Network ，LSTM－適用于語(yǔ)音識(shí)別）等。但最簡(jiǎn)單且原汁原味的神經(jīng)網(wǎng)絡(luò)則是多層感知器（Muti－Layer Perception ，MLP），只有理解經(jīng)典的原版，才能更好的去理解功能更加強(qiáng)大的現(xiàn)代變種。

MLP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和原理

理解神經(jīng)網(wǎng)絡(luò)主要包括兩大內(nèi)容，一是神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，其次則是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)，其就好比我們的大腦結(jié)構(gòu)是怎么構(gòu)成的，而基于該組成我們又是怎樣去學(xué)習(xí)和識(shí)別不同事物的，這次樓主主要講解第一部分，而訓(xùn)練和學(xué)習(xí)則放到后續(xù)更新中。

神經(jīng)網(wǎng)絡(luò)其實(shí)是對(duì)生物神經(jīng)元的模擬和簡(jiǎn)化，生物神經(jīng)元由樹突、細(xì)胞體、軸突等部分組成。樹突是細(xì)胞體的輸入端，其接受四周的神經(jīng)沖動(dòng)；軸突是細(xì)胞體的輸出端，其發(fā)揮傳遞神經(jīng)沖動(dòng)給其他神經(jīng)元的作用，生物神經(jīng)元具有興奮和抑制兩種狀態(tài)，當(dāng)接受的刺激高于一定閾值時(shí)，則會(huì)進(jìn)入興奮狀態(tài)并將神經(jīng)沖動(dòng)由軸突傳出，反之則沒(méi)有神經(jīng)沖動(dòng)。

我們基于生物神經(jīng)元模型可得到多層感知器MLP的基本結(jié)構(gòu)，最典型的MLP包括包括三層：輸入層、隱層和輸出層，MLP神經(jīng)網(wǎng)絡(luò)不同層之間是全連接的（全連接的意思就是：上一層的任何一個(gè)神經(jīng)元與下一層的所有神經(jīng)元都有連接）。

由此可知，神經(jīng)網(wǎng)絡(luò)主要有三個(gè)基本要素：權(quán)重、偏置和激活函數(shù)。

權(quán)重：神經(jīng)元之間的連接強(qiáng)度由權(quán)重表示，權(quán)重的大小表示可能性的大小

偏置：偏置的設(shè)置是為了正確分類樣本，是模型中一個(gè)重要的參數(shù)，即保證通過(guò)輸入算出的輸出值不能隨便激活。

激活函數(shù)：起非線性映射的作用，其可將神經(jīng)元的輸出幅度限制在一定范圍內(nèi)，一般限制在（－1～1）或（0～1）之間。最常用的激活函數(shù)是Sigmoid函數(shù)，其可將（－∞，＋∞）的數(shù)映射到（0～1）的范圍內(nèi)。

激活函數(shù)還有tanh和ReLU等函數(shù)，tanh是Sigmoid函數(shù)的變形，tanh的均值是0，在實(shí)際應(yīng)用中有比Sigmoid更好的效果；ReLU是近來(lái)比較流行的激活函數(shù)，當(dāng)輸入信號(hào)小于0時(shí)，輸出為0；當(dāng)輸入信號(hào)大于0時(shí)，輸出等于輸入；具體采用哪種激活函數(shù)需視具體情況定。

從上面可知下層單個(gè)神經(jīng)元的值與上層所有輸入之間的關(guān)系可通過(guò)如下方式表示，其它以此類推。

MLP的最經(jīng)典例子就是數(shù)字識(shí)別，即我們隨便給出一張上面寫有數(shù)字的圖片并作為輸入，由它最終給出圖片上的數(shù)字到底是幾。

對(duì)于一張寫有數(shù)字的圖片，我們可將其分解為由28＊28＝784個(gè)像素點(diǎn)構(gòu)成，每個(gè)像素點(diǎn)的值在（0～1）之間，其表示灰度值，值越大該像素點(diǎn)則越亮，越低則越暗，以此表達(dá)圖片上的數(shù)字并將這786個(gè)像素點(diǎn)作為神經(jīng)網(wǎng)絡(luò)的輸入。

而輸出則由十個(gè)神經(jīng)元構(gòu)成，分別表示（0～9）這十個(gè)數(shù)字，這十個(gè)神經(jīng)元的值也是在（0～1）之間，也表示灰度值，但神經(jīng)元值越大表示從輸入經(jīng)判斷后是該數(shù)字的可能性越大。

隱層的層數(shù)和神經(jīng)元的選擇需根據(jù)具體情況選擇，此例選擇兩層隱層，每層16個(gè)神經(jīng)元。那么根據(jù)上面的敘述，根據(jù)權(quán)重、偏置的個(gè)數(shù)此神經(jīng)網(wǎng)絡(luò)將會(huì)有13002個(gè)參數(shù)需要去調(diào)節(jié)，而如何調(diào)整這些參數(shù)，從而使神經(jīng)網(wǎng)絡(luò)有較好的學(xué)習(xí)效果則正是下篇更新的神經(jīng)網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的內(nèi)容。

通過(guò)樓主上面的敘述，該圖像識(shí)別問(wèn)題最終可通過(guò)線性方程的方式表示出來(lái)，從而來(lái)描述本篇通過(guò)MLP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)字識(shí)別的案例，并通過(guò)建立的問(wèn)題描述模型來(lái)編程實(shí)現(xiàn)。

總結(jié)

MLP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)還是挺簡(jiǎn)單的，基本的結(jié)構(gòu)和原理是入門學(xué)習(xí)所必須了解的。神經(jīng)網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)這塊等樓主有機(jī)會(huì)再更新，發(fā)現(xiàn)前期給自己挖太多坑都還沒(méi)填，主要在于樓主忙于工作，最近正好是2019上海車展，樓主也去轉(zhuǎn)了一波，基本都待在二層的零部件供應(yīng)商那里，了解下各大供應(yīng)商在智能出行、電驅(qū)、智能網(wǎng)聯(lián)等方面的系統(tǒng)集成和解決方案，收獲還是很多的，也希望能在下篇跟大家做個(gè)分享。

－ END －