神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)的定義
?????? 百科中定義是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型格粪，翻譯成大白話就是一種模擬神經(jīng)元有刺激有響應(yīng)的結(jié)構(gòu)帐萎，使用多個這樣的結(jié)構(gòu)在不同層以不同數(shù)量、不同權(quán)值疊加以求得最開始的輸入與輸出之前關(guān)系的網(wǎng)絡(luò)凳怨。
神經(jīng)網(wǎng)絡(luò)的應(yīng)用
一個最簡單的神經(jīng)網(wǎng)絡(luò)可以是只有一層是鬼，有一個輸入，然后得到一個輸出李剖，如果輸入和輸出之間是線性的關(guān)系囤耳，就最簡單不過了。比如輸入是商品的數(shù)量德玫，輸出時商品的總價格椎麦，顯然中間只需要一個乘法就可以做到观挎。即商品的總價格=商品的數(shù)量*商品的單價。
但現(xiàn)實生活一個輸出往往與很多因素有關(guān)造成。比如房價雄嚣，房價可以與房子的位置、房子的大小，人們的購買能力有關(guān)履肃，而房子的位置又可以分為在哪個城市坐桩，是在大城市（北上廣深）绵跷、還是小城市（三四線小縣城），周圍是小學(xué)碾局、初中還是大學(xué)净当。于是就可以將模型拓展成城市大小、周圍為第一層節(jié)點俘闯，二者共同決定位置對房價的作用忽冻，然后還可以加入房子的大學(xué)、購房能力等指標(biāo)作為第二層遮婶，第二層通過不同的加權(quán)值作用于房價（第三層）。
神經(jīng)學(xué)習(xí)的本質(zhì)是監(jiān)督學(xué)習(xí)湖笨，除了在我們上面提到的預(yù)測房價的方面旗扑，他在智能廣告、語音識別慈省、自動駕駛臀防、機器翻譯等方面也得到了廣泛的應(yīng)用。在圖像領(lǐng)域我們常用的是卷積神經(jīng)網(wǎng)絡(luò)（CNN）辫呻，對于序列數(shù)據(jù)清钥，例如音頻包含時間序列信息，我們使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）放闺，當(dāng)然語言也是一個個相關(guān)的序列（詞）組成，因此也使用RNN缕坎。自動駕駛可能涉及圖片和序列兩種怖侦，于是它一般使用的是混合算法。
同時我們也聽到另一種說法匾寝，神經(jīng)網(wǎng)絡(luò)適用于結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)搬葬，結(jié)構(gòu)化數(shù)據(jù)都有清晰的定義，諸如：房子的尺寸艳悔，年齡的大小等等急凰，非結(jié)構(gòu)化數(shù)據(jù)可能是圖片、視頻或者是代識別的文本中的像素點猜年、或者是單詞抡锈，人類更擅長處理非結(jié)構(gòu)化數(shù)據(jù)，但是由于神經(jīng)網(wǎng)絡(luò)乔外、深度學(xué)習(xí)床三，電腦也越來越能在模式識別、圖片識別等領(lǐng)域有很好的表現(xiàn)杨幼。
傳統(tǒng)的向量機等模型在數(shù)據(jù)量小的時候性能隨著數(shù)據(jù)量的增長穩(wěn)定增長撇簿，在數(shù)據(jù)量達(dá)到一定程度上性能逐漸達(dá)到穩(wěn)定了，但隨著相機被集成在手機登各種移動終端上差购，人們能獲得的數(shù)據(jù)爆炸式增長四瘫，神經(jīng)學(xué)習(xí)的算法被發(fā)明，此時規(guī)模越大的網(wǎng)絡(luò)性能增長約為顯著欲逃。也即要得到一個性能較好的網(wǎng)絡(luò)可以通過兩種方式：增大網(wǎng)絡(luò)的規(guī)牧椋或者增加數(shù)據(jù)量，而大公司例如谷歌等往往朝著兩個方向共同努力暖夭，畢竟他們有著天然的數(shù)據(jù)優(yōu)勢锹杈。近些年來算法的更新也讓神經(jīng)網(wǎng)絡(luò)的運算速度得到很大的提升，比如：相比于之前的sigmoid函數(shù)（符號函數(shù)）轉(zhuǎn)變?yōu)镽eLu函數(shù)（在負(fù)數(shù)部分是固定的迈着，在正的部分線性增長）
