第一部分 神经网络如何工作（1.1-1.2）

标签：border   1.2   图像识别   结果   而且   font   角度   简单   图像   

1.1 尺有所短，寸有所长

　　总结来说，就是一些任务比如数百万数字乘法运算这种对于计算机很容易，而图像识别这种对人类来说很容易。

1.2 一台简单的预测机

　　书中举了一个例子：假设不知道千米和英里之间的转换方式，仅仅知道两者关系是线性的，并且有两组正确的千米/英里匹配的数值对示例，如下所示。

　　线性关系的形式应该为“英里 = 千米 * C”，其中C为常数，但是现在还不知C是多少。

　　其实如果是用人类的思维，马上可以想出两点确定一条直线，C =（62.137 - 0）/ （100 - 0），马上可以计算出C。但是站在计算机的角度，要怎么求出C？

计算机的做法

1. 随手取一个随机的数值，不妨取C=0.5，那么千米=100时，计算得到的英里为50。
2. 和真实示例给出的62.137相比，少了12.137. 这是计算结果与列出的示例真实值之间的差值，即误差。
3. 现在已经知道这个C错了，不能很好的计算出真实示例2，而且已经知道误差，它可以指导机器取猜测得到第二个更好的C值。
4. 将C从0.5增加到0.6看看会发生什么？计算得到的英里为60，误差值变得更小了，为2.137。这里使用之前得到的误差值指导如何改变C的值。因为希望输出值变得更大些，因此稍微增加了C的值。
5. 重复这个过程，输出值60还是还小，再次微调C，这次调置0.7，发现误差值为-7.863。负号说明这次调动超了。
6. 那如果从0.6调到0.61得到的误差值为1.137，所以这次微调是比较成功的。现在如果对这个误差感到满意的话，已经可以给出最终关系了；或者可以继续重复上面的内容。
7. 其实每次的修正值取为误差值的百分比是比较科学的，因为大误差意味着较大的修正值，小误差意味着只需要小小地微调C值即可。

总结

　　计算机的做法看似有些愚蠢、呆板，因为人在学校里学习代数知识求解数学和科学问题往往是一步到位，精确求解。但是，对于计算机来说，尝试得到一个答案，然后多次改进，这种迭代的方式更适合它的计算方式。

第一部分 神经网络如何工作（1.1-1.2）

标签：border   1.2   图像识别   结果   而且   font   角度   简单   图像   

原文地址：https://www.cnblogs.com/shayue/p/10325187.html