【AI】神经网络算法的本质(04)_计算机神经网络计算的本质是什么

目录

1、神经网络的本质（复合函数）

1.1 神经网络的任务

1.2 线性神经网络例子

2、损失函数（对数函数） 

2.1 损失函数的本质      

2.2 损失函数举例

2.3 前向传播

---

1、神经网络的本质（复合函数）

      如果非要用一句话概括神经网络，我找到了一句比较合适的句子：一个多层的复合函数：

    人工神经网络在本质上是一个多层的复合函数，它实现了从向量x到向量y的映射。以前不叫神经网络，叫线性回归，或者逻辑回归；

1.1 神经网络的任务

   神经网络的任务有2个

   1） 特征提取：把特征变换成一个向量

   2）更新权重：更新特征的权重，找到合适的权重

   神经网络的输入数据，都有他自己的特征，如何提取出这些特征，并将它用好这个特征，是我们需要关注的。其实AI最核心的，也是怎么利用这些特征，来求得权重参数。是通过调大、还是调小，调试的结果对结果有什么影响，这个是我们要学习的。

1.2 线性神经网络例子

    我们举个简单的例子来理解神经网络计算的过程，我们的目标是：构建一个模型，让这个模型能够识别猫，给定一张图片，就能判断出来是不是猫、还是狗、还是汽车。现在给定一张有猫的图片（猫）， 并且刻画出这个猫的特征，我们就把这个猫的特征描述为4个点：

  56  ,   231

  2 4  ,   2     

    为了方便计算，我们把它变成一列：Xi，同时呢，我们也给定一个随机的权重W（后面会不断的更新），他是3*4的矩阵（3行：便是要得到3个分类结果当做RGB通道，4便是猫的4个特征的数值，通过权重参数和特征做组合来构建网络结构），然后在加上偏置b（这个偏置的维度也是和输出是保持一致的），其实识别猫，就是根据猫的特征，不断计算，找出更能刻画猫的特诊的权重W 。为了方便理解，假定他是 y=Wx+b， 一个非常普通的线性方程。通过这个方程，找出合适的W和b，进而可以计算出预测的结果 ，先给出一个随机的W，然后计算出分类结果，再根据分类结果和标准结果比较，看看他们偏差多少，进而调整W，直到损失最小。

 这个我们给出了一个随机的w，就可以计算出他的结果，那这个结果和标准的偏差大么，那就得看损失函数了。

2、损失函数（对数函数） 

2.1 损失函数的本质      

     本质：预测值和真实值之间的差异，就是损失。损失是怎么得到的呢?以分类任务为例，我们通过上面的一顿骚操作，得到at，car，frog，分别计算出来的预测值是[3.2,5.1，-1.7]。我们预测得到一个预测数值，但是他们的差异并不大，为了让他们做一个更好的区分。我们做一个映射，让差异体现的更加明显一点。 我们通过e的x次方来放大，得到：[24.5,164,0.18]。

     在进一步思考，其实分类的目标，我们想要的得到是一个概率值 ，并不是上面计算得到的一个数值。那如何得到规律值呢？做归一化：上面三个数值的求和，然后数值除以这个和，就求出了各自的概率值了，由一个数值，得到了一个概率值。

       在进一步思考，虽然我们又概率值了，但是我们要更新w，我们的得知道他和标准结果的差异在哪，也就是要计算出损失，这个又怎么算呢。我们来看一个函数，进一步了理解损失函数的本质：和正确值概率的偏差，和对数函数如出一辙。所以经常用对数函数来求损失，对数函数如下：他和x的交点为（1,0），概率值的取值范围就是0-1之间，而我们关注的是属于正确类别的概率是多少。

2.2 损失函数举例

     假设预测一只猫，如果概率不是100%，那他就有损失。属于正确的概率，如果和标准没有差异，他的损失就是0。假如预测是0.9，看下面这个图，那他的损失y就会很小，如下图所示，如果他预测是0.01，那他的损失就大，所以用对数函数log来表述损失函数看上去非常好。

    下面这个例子，把流程一起来串一遍：

第一步：差异放大，通过e的x次方将差异放大，预测结果从3.2,5.1,-1.7映射为24.5,164,0.18

第二步：归一化，得到分类的规律值，通过求和，计算占比概率，得到：0.13,0.87,0.0

第三步：计算损失值，公式如下

X=3.2时，损失值为：-log(0.13)=0.886

x=164时，损失值为：-log(164)= -2.2

x=0 时，损失值为：无穷大

2.3 前向传播

     其实神经网络的任务，并不是为了计算损失， 算损失的目的是，如何通过损失来调整W权重参数，分析出哪个W导致的损失，然后不断优化他，指导损失最小。如何通过损失来更新w，这个其实就是反向传播。如何通过输入，来计算损失，这个是前向传播，最终目的优化W参数，让让损失越来越小。

写着写着，有点困了，止笔，后面接着将有趣的梯度下降、卷积神经网络。

备注:相关素材来源于唐宇迪博士，特别鸣谢，更多AI文章请关注VX公众号

收录于合集 #计算机视觉学习

 6个

上一篇【AI】当传统算法碰到计算机视觉(03)下一篇【AI】梯度下降的数学原理(05)