本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
你想学机器学习吗？这里有一个入门贴适合你。
什么神经网络、随机森林、计算机视觉通通一网打尽。
这个Facebook软件工程师做了一个入门贴。
专为基础为零的初学者打造。
有基础的同学，也可以来看看加深一下理解。
我们就以神经网络为例先来一睹为快吧！
神经网络概论
作者说，神经网络并不复杂！
“神经网络”一词很流行，人们通常认为它很难，但其实要简单得多。
是不是这样呢？先看再说。
神经网络的理解主要分为三个部分，神经元、神经网络的构建、训练神经网络。
神经元——神经网络的基本单元
这是2-input神经元的样子。
首先神经元接受输入x1、x2，进行一些数学运算以后，然后产生一个输出y。
在神经元里，通常会发生三件事：
每个输入乘以相应的权重；
将所有加权输入加在一起，在加上一个偏差b；
导入一个激活函数，得到输出y。
通常来说，激活函数使用Sigmoid函数，也就是常说的S型函数，输入任意值（-∞，+∞），最后输出都能停留在0-1之间。
对此，他还举了一个简单的例子。
以激活函数是S型函数、2输入神经元为例，设置参数 w=[0,1] （w1=0，w2=1），b=4。
input：x=[2,3]
output：y=0.999
这也就是最为朴素的神经网络——前馈神经网络。
对此，作者还用Python实现了整个过程。
- import numpy as np
- def sigmoid(x):
- # Our activation function: f(x) = 1 / (1 + e^(-x))
- return 1 / (1 + np.exp(-x))
- class Neuron:
- def __init__(self, weights, bias):
- self.weights = weights
- self.bias = bias
- def feedforward(self, inputs):
- # Weight inputs, add bias, then use the activation function
- total = np.dot(self.weights, inputs) + self.bias
- return sigmoid(total)
- weights = np.array([0, 1]) # w1 = 0, w2 = 1
- bias = 4 # b = 4
- n = Neuron(weights, bias)
- x = np.array([2, 3]) # x1 = 2, x2 = 3
- print(n.feedforward(x)) # 0.9990889488055994
构建神经网络
神经元连接在一起就是神经网络。
两个输入，一个含有两个神经元的隐藏层，一个含有1个神经元的输出层就构建了一个神经网络。
需要注意的是，可以用多层隐藏层。就比如，像这样：
我们仍以上个示例的条件为例。
一个神经网络可以包含任意数量的层和任意数量的神经元。
以Python代码示例如下：
- import numpy as np
- # ... code from previous section here
- class OurNeuralNetwork:
- '''
- A neural network with:
- - 2 inputs
- - a hidden layer with 2 neurons (h1, h2)
- - an output layer with 1 neuron (o1)
- Each neuron has the same weights and bias:
- - w = [0, 1]
- - b = 0
- '''
- def __init__(self):
- weights = np.array([0, 1])
- bias = 0
- # The Neuron class here is from the previous section
- self.h1 = Neuron(weights, bias)
- self.h2 = Neuron(weights, bias)
- self.o1 = Neuron(weights, bias)
- def feedforward(self, x):
- out_h1 = self.h1.feedforward(x)
- out_h2 = self.h2.feedforward(x)
- # The inputs for o1 are the outputs from h1 and h2
- out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))
- return out_o1
- network = OurNeuralNetwork()
- x = np.array([2, 3])
- print(network.feedforward(x)) # 0.7216325609518421
训练神经网路——计算损失函数
假设，我们正在处理以下这个项目。通过人员的体重和身高来判断性别。
以weight、height作为输入，以gender作为输出。
将Male设置为0，Female设置为1，还对其余数据进行了简化。
在训练神经网络之前，首先需要一个方法来量化它做得有多“好”，是否能够做得“更好”，那就是损失函数（loss）。
这里，我们将使用损失函数的一种——均方误差来计算。
预测结果越好，说明损失也就会越低。而训练神经网络的目的，就在于尽可能的减少损失。
如果我们确信所有的人都是Male，也就是说预测值为0，会出现什么样的结果？
Python示例：
- import numpy as np
- def mse_loss(y_true, y_pred):
- # y_true and y_pred are numpy arrays of the same length.
- return ((y_true - y_pred) ** 2).mean()
- y_true = np.array([1, 0, 0, 1])
- y_pred = np.array([0, 0, 0, 0])
- print(mse_loss(y_true, y_pred)) # 0.5
训练神经网络——最小化损失
计算了损失函数之后，就需要将损失最小化，这也是训练神经网络的最终目的所在。
接下来帖子有一段多变量演算，涉及微积分。
作者表示，
如果对微积分不满意，可随时跳过。
简单起见，我们就假设这个数据集中只有Alice。
那么，它的损失函数就是这样。
那么它的权重w跟偏差b，在图上标示，那么就有6个权重变量，3个偏差变量。
于是，便将损失函数写为多变量函数。
想象一下，我们只要调整w1，就可能导致L的变化。那具体是如何变化的呢？这就需要计算偏导数了。
利用链式求导法则进行反向求导，而这一过程就叫做反向传播。
详细计算过程就不放在这里了，大家去他个人网站去看哦~（链接已附文末）
作者温馨提示，看这个过程的时候不要着急，拿出手中的笔和纸，能够帮助你理解。
接下来，使用随机梯度下降的优化算法，公式表示如下（以w1为例）：
其中的“学习速率”控制着训练速度，过大或者过小都不合适。
如果我们将所有的变量都进行这样的优化，那么损失函数将逐渐减少，神经网络就能够得到改善。
简单来说，整个训练过程是这样的：
数据集中选择一个样本，就如Alice。
利用反向传播计算所有变量的偏导数。
使用随机梯度下降来训练神经网络，更新变量。
返回步骤1。
神经网络的部分就介绍到这里，怎么样？看完之后，有什么感想？
是不是觉得神经网络也还好了。还有其他概念等着你来学习呢！
