周一同学Zelina背景
平常业务开发中每天都要接触到机器学习和深度学习的概念，在听了很多大佬的普及后，发现甚是有趣。于是小编想着着手开始学习这部分的内容。
那废话不多说，就从最基础的机器学习和神经网络开始~
一、机器学习基础
1、机器学习是什么？
机器学习是对能通过经验自动改进的计算机算法的研究 —— 可以理解为机器学习是一个研究，它的研究对象是计算机算法。这个计算机算法的特点是：能通过经验来自动改进自身的能力。也就意味着，它可以像人一样积累一些经验，然后自动改进。
机器学习是用数据或以往的经验，以此优化计算机程序的性能标准 —— 强调了数据或以往的经验。比如说：拿线性回归来举例，如下图所示：
线性回归的意思指的就是你给我一个连续的输入，比如说图上的 x 轴，它从 0 到 50，然后我可以给你映射到它对应的 y 轴上的值分别是多少，也就是会给你一个连续的输出，我们可以在图上看到这个 y 轴从 0 到 35 也是一个连续的输出。
那么这个线性回归跟机器学习有什么关系呢？如我们上面所说的，这个线性回归问题通过数据或以往的经验来解决。比如说我们这个图里面有很多黄色的点，那么我们就可以沿着这些黄色的点，根据它的分布来画一条黄色的线，画完之后你随便给我一个 x 轴上的值，我都可以找到与之对应的 y 轴上的值。
比如说图上的 x 为 20 的时候，那么它的 y 大概就在 5- 10 之间这个位置，且就是你给我任意一个 x 轴上的值，我都可以得到 y 轴对应的值。当然不只是刚才那个20，其他值也都可以。这就是通过数据以及以往的经验来解决线性回归问题，这些黄色的点就是数据或者说是以往的经验。
还有个问题是，可能有的小伙伴会有疑问：不使用机器学习，我也能画出这条黄线 or 红线。既然自己可以做到了，那为什么还需要机器学习呢？
其实啊，我们的目的就是为了实现人工智能，就是想办法让机器来代替人去画这两条线。
2、机器学习应用场景
上面我们说了机器学习的基础概念，接下来再列举一些常见的应用场景：
- 图片分类 —— 准备大量图片，让机器去学习，判断这是一只猫、还是一只狗。
- 语音助手 —— siri、小爱同学等等，给机器足够多的声音数据以及对应的标签，那么机器就可以识别我们的语音在讲什么了。
)
3、为何要用机器学习？
①有些棘手问题只能用机器学习来解决：
- 比如说给我一张图片，让我判断这个图片里有没有一只猫。这个问题看似简单，但是即便是很聪明的程序员，也没有办法通过编写规则和编写代码的方法来解决这个问题，这是不可能的。
- 比如说先是编写了一堆规则，然后判断一只猫，判断一个图片里面有没有一只猫。但是我们想一下，如果这个猫随便换个位置，换个动作，换个颜色，换个品种，那么它的规则是不是就被废弃掉了，就没用了？它要写多少条规则？它要写无数份规则，无数行代码，这显然是不可能解决的。
- 因此，我们可以通过机器，来学大量猫🐱的图片。之后，机器就大概知道了猫的特征是什么样的。然后等下次你再给它一张新的猫的图片，它就能判断这张图片里有一只猫的概率有多大了。
②获取数据比编写规则更加容易：
- 有些问题它既可以用机器学习来解决，也可以通过编写规则就是编写程序来解决。但是如果获取数据比获取规则更加容易的话，那么这时候就应该用机器学习来解决。
- 举个例子，比如说你写了一个翻译程序，可以把这个英文翻译成中文，但第二天PM跟你说，想让你把这个翻译程序拓展一下，可以把英文翻译成日语。
- 如果是通过传统的编程，就会编写一堆的规则，一堆的
if else逻辑。很大概率所有代码你还要全部再重写一遍，工作量非常大。 - 但是如果是通过机器学习的手段来做这个翻译程序的话，那么你一行代码都不需要改。我们要做的是，只需要把训练数据换一下，重新训练一个新模型就 OK 了。这也就是为什么要使用机器学习的原因，因为有时候往往获取数据比编写规则要容易得多。
③GPU等计算能力显著提升：
- 机器学习的训练需要消耗大量的计算能力。在过去我们的算力非常的差的时候，其实使用机器学习的成本是很高的，或者说几乎是不可能的。在过去科学家跑一次训练可能得几个月，而且几个月跑一次训练实验，在这个过程中一般还要失败很多次。这个训练实验需要不断地试错，不断地试验，才能慢慢降低失败的次数。
- but…这么看的话，一次试验都要跑好几个月，那这个实验基本上也就没有什么可行性了，这也是为啥上世纪这个神经网络算法就已经被发明出来，但是到最近几年才火起来，就是因为过去的计算能力太差了。
- 但是现在我们的计算能力显著提升了，可能一个小时内我就能跑完一次训练，得到一个模型，看到实验结果了。那么这时候使用机器学习的可行性就变得非常高了。
4、机器学习如何运作？
- 机器学习可以通过神经网络算法来进行运作。
- 除了神经网络之外，还可以用很多其他的算法来进行机器学习，比如说决策树、支持向量机、贝叶斯分类器、强化学习等等。
二、神经网络简介
1、什么是神经网络
- 神经网络，也称人工神经网络。
- 人工神经网络是一种运算模型（就是输入输出的映射），由大量的节点（或称神经元）之间相互联接构成。
- 运算模型指的是：从输入到输出的一种映射。
2、人工神经网络模型的特点
（1）特点
人工神经网络的特点就是：由大量的节点或神经元相互连接构成，连接之后就形成了一张类似于网络状的结构，所以我们把它称为神经网络。
（2）举例
举例生活中很常见的相亲例子：
)
左边是输入层，右边是输出层。中间的隐藏层，其实就是神经元，这个隐藏层是为了用来输出最后结果的。
对于输入来说，输入是我们可以从相亲对象身上直观看到的一些信息，那这些信息，每一个对应到形象、财富、品质和有趣的权重值，都不太一样。
可能五官跟财富和品质就没啥关系，那在财富和品质这两个神经元中，五官的权重就低一点。又或者说，学历和家境可能会对一个人的品质造成影响，所以说在品质这个神经元里面，它的权重可能就比较偏向于学历和家境。
总之，每一个神经元里面都存储着一些权重，然后把上一层的输入乘上这些权重加起来之后就得到一个值，得到值之后，就进入到下一层的神经元。
下一层的神经元就是最后一层的神经元，这个神经元叫满意程度，这个神经元里面也存着 4 个权重，它是把前面形象、财富、品质和有趣这四个神经元算出来权重，加起来得到的满意程度。
不过呢，现实生活中的机器学习比这还要复杂的多。比如说：有些用户他的眼光是比较高的，可能在我们看来已经很好看很漂亮的女孩，或者很帅的小伙，但是在他看来就是一般人，那么这时候我们光靠权重来算形象就不够了，可能还要加上一个偏置。比如说在其他用户眼中，一个相亲对象他的形象有十分，但是在那个眼光比较高的用户眼里，只有 1 分，那么他的偏置就是-9。
值得注意的是，偏置是最后加上的，也就是那些权重乘完之后加起来然后再加上这个偏执。
接着，我们再来考虑一种情况，大多数人可能都会对相亲对象的财富有一定的要求，但是假设说超过了一定范围，其实对我们来说就没有区别了。比如说你觉得你的相亲对象只要年薪超过百万就可以了，那么他年薪 100 万、 200 万对你来说其实差别不大，但是对计算机来说这可是整整两倍的差距。所以说我们要告诉计算机，你不能再这么线性的增长上去了，对我来说只要超过 100 万都没有区别，不要再增加它的值了。
那么如何实现这一点呢？神经元里面还有一个东西叫做激活函数，激活函数的作用就是用来做一些非线性的变化。所谓非线性的变化，就是：比如刚才我们举的例子，年薪超过 100 万就可以了，不要再线性的增长了，接下来我们可以把它想象成一条线，增长着增长这，最后就趋于直线平稳了，这就是一个非线性变化。
3、神经网络总结
最后，我们来对上面所讨论的做一个小结：
- 每个神经元里存储着若干权重（weight）、偏置（bias）和一个激活函数（activation）。
- 输入乘上权重加上偏置，经过激活函数得到输出。
- 激活函数用于添加一些非线性变换。
- 神经网络通常包含一个输入层、若干隐藏层、一个输出层。
- 输入层通常不用于计算神经网络的层数。
三、神经网络的训练
1、什么是神经网络的训练？
- 给大量输入和输出，算出神经网络里所有神经元的权重、偏置，然后给定新的输入，可以算出新的输出。
- 在机器学习里输入输出被称为特征和标签，大量输入输出被称为训练集。
- 同样拿上面的相亲例子做举例：给 1000 个 相亲对象的数据（特征），以及对应的满意程度（标签）。训练完之后给一份新的相亲对象数据，就可以判定满意程度了。
2、如何训练神经网络？
- 初始化： 随机生成一些权重和偏置。
- 计算损失： 给定特征，计算出标签，看标签与真实标签差得多远。
- 优化： 微调权重和偏置（隐藏层），使损失变小。（微调与微积分中求导求梯度有关，哪个方向损失降得最快，那个方向就是正确的方向）
3、前向传播与反向传播
- 前向传播：把训练数据的特征送入网络，得到标签。
- 反向传播：计算损失并优化。（在最后一层计算损失，然后微调和优化，之后计算倒数第二层的权重）
4、如何计算损失？
- 使用业界已经研究出来的且很成熟的损失函数
- 常见损失函数：均方误差、对数损失、交叉熵…
5、如何优化？
- 使用业界科学家们已经研发的优化器
- 常见优化器：随机梯度下降（SGD）、Adam（从第三方库中调用）
结束语
在上面的文章中，我们学习了机器学习的基础知识，以及由机器学习衍生而来的人工神经网络。同时，我们还谈到了如何去训练一个神经网络。
通过本文的介绍，相信你对机器学习和神经网络会有一个基础的认识。
以上就是本文的全部内容，我们下期见~🍻