上一篇文章中我們已經(jīng)知道了如何將數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中。那么神經(jīng)網(wǎng)絡(luò)是如何根據(jù)這些數(shù)據(jù)進(jìn)行預(yù)測(cè)的呢？我們將一張圖片輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)是如何預(yù)測(cè)這張圖中是否有貓的呢？？

這個(gè)預(yù)測(cè)的過程其實(shí)只是基于一個(gè)簡(jiǎn)單的公式：z = dot(w,x) + b?？吹竭@個(gè)公式，完全不懂~~不少同學(xué)可能被嚇得小雞雞都萎縮了一截。不用怕，看完我下面的解說后，你就會(huì)覺得其實(shí)它的原理很簡(jiǎn)單。就像玻璃棧道一樣，只是看起來可怕而已。

?

上面公式中的x代表著輸入特征向量，假設(shè)只有3個(gè)特征，那么x就可以用（x1，x2，x3）來表示。如下圖所示。w表示權(quán)重，它對(duì)應(yīng)于每個(gè)輸入特征，代表了每個(gè)特征的重要程度。b表示閾值[yù zhí]，用來影響預(yù)測(cè)結(jié)果。z就是預(yù)測(cè)結(jié)果。公式中的dot()函數(shù)表示將w和x進(jìn)行向量相乘。（不用怕，在后面的文章《向量化》中我會(huì)用很通俗易懂的語(yǔ)言來給大家介紹向量相乘有關(guān)的高等數(shù)學(xué)知識(shí)）。我們現(xiàn)在只需要知道上面的公式展開后就變成了z = (x1 * w1 + x2 * w2 + x3 * w3) + b。

那么神經(jīng)網(wǎng)絡(luò)到底是如何利用這個(gè)公式來進(jìn)行預(yù)測(cè)的呢？下面我通過一個(gè)實(shí)例來幫助大家理解。

假設(shè)周末即將到來，你聽說在你的城市將會(huì)有一個(gè)音樂節(jié)。我們要預(yù)測(cè)你是否會(huì)決定去參加。音樂節(jié)離地鐵挺遠(yuǎn)，而且你女朋友想讓你陪她宅在家里搞事情，但是天氣預(yù)報(bào)說音樂節(jié)那天天氣特別好。也就是說有3個(gè)因素會(huì)影響你的決定，這3個(gè)因素就可以看作是3個(gè)輸入特征。那你到底會(huì)不會(huì)去呢？你的個(gè)人喜好——你對(duì)上面3個(gè)因素的重視程度——會(huì)影響你的決定。這3個(gè)重視程度就是3個(gè)權(quán)重。

如果你覺得地鐵遠(yuǎn)近無所謂，并且已經(jīng)精力衰竭不太想搞事情了，而且你很喜歡藍(lán)天白云，那么我們將預(yù)測(cè)你會(huì)去音樂節(jié)。這個(gè)預(yù)測(cè)過程可以用我們的公式來表示。我們假設(shè)結(jié)果z大于0的話就表示會(huì)去，小于0表示不去。又設(shè)閾值b是-5。又設(shè)3個(gè)特征(x1,x2,x3)為(0,0,1)，最后一個(gè)是1，它代表了好天氣。又設(shè)三個(gè)權(quán)重(w1,w2,w3)是(2,2,7)，最后一個(gè)是7表示你很喜歡好天氣。那么就有z = (x1 * w1 + x2 * w2 + x3 * w3) + b = (0 * 2 + 0 * 2 + 1 * 7) + (-5) = 2。預(yù)測(cè)結(jié)果z是2，2大于0，所以預(yù)測(cè)你會(huì)去音樂節(jié)。

如果你最近欲火焚身，并且對(duì)其它兩個(gè)因素并不在意，那么我們預(yù)測(cè)你將不會(huì)去音樂節(jié)。這同樣可以用我們的公式來表示。設(shè)三個(gè)權(quán)重(w1,w2,w3)是(2,7,2)，w2是7表示你有頂穿鋼板的欲火。那么就有z = (x1 * w1 + x2 * w2 + x3 * w3) + b = (0 * 2 + 0 * 7 + 1 * 2) + (-5) = -3。預(yù)測(cè)結(jié)果z是-3，-3小于0，所以預(yù)測(cè)你不會(huì)去，會(huì)呆在家里搞事情。

?

預(yù)測(cè)圖片里有沒有貓也是通過上面的公式。經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)會(huì)得到一組與貓相關(guān)的權(quán)重。當(dāng)我們把一張圖片輸入到神經(jīng)網(wǎng)絡(luò)中，圖片數(shù)據(jù)會(huì)與這組權(quán)重以及閾值進(jìn)行運(yùn)算，結(jié)果大于0就是有貓，小于0就是沒有貓。

你平時(shí)上網(wǎng)時(shí)有沒有發(fā)現(xiàn)網(wǎng)頁(yè)上的廣告都與你之前瀏覽過的東西是有關(guān)聯(lián)的？那是因?yàn)楹芏嗑W(wǎng)站都會(huì)記錄下你平時(shí)的瀏覽喜好，然后把它們作為權(quán)重套入到上面的公式來預(yù)測(cè)你會(huì)購(gòu)買什么。如果你發(fā)現(xiàn)你朋友電腦手機(jī)上的網(wǎng)頁(yè)里面老是出現(xiàn)一些情趣用品或SM道具的廣告，那你朋友肯定是個(gè)性情中人。

上面那個(gè)用于預(yù)測(cè)的公式我們業(yè)界稱之為邏輯回歸，這個(gè)名字有點(diǎn)奇怪，大家記住就行了，只是個(gè)名字而已。

最后再稍微提一下激活函數(shù)。在實(shí)際的神經(jīng)網(wǎng)絡(luò)中，我們不能直接用邏輯回歸。必須要在邏輯回歸外面再套上一個(gè)函數(shù)。這個(gè)函數(shù)我們就稱它為激活函數(shù)。激活函數(shù)非常非常重要，如果沒有它，那么神經(jīng)網(wǎng)絡(luò)的智商永遠(yuǎn)高不起來。而且激活函數(shù)又分好多種。后面我會(huì)花好幾篇文章來給大家介紹激活函數(shù)。在本篇文章的末尾，我只給大家簡(jiǎn)單介紹一種叫做sigmoid的激活函數(shù)。它的公式和圖像如下。

我們?cè)谶@里先只介紹它的一個(gè)用途——把z映射到[0,1]之間。上圖中的橫坐標(biāo)是z，縱坐標(biāo)我們用y’來表示，y’就代表了我們最終的預(yù)測(cè)結(jié)果。從圖像可以看出，z越大那么y’就越靠近1，z越小那么y’就越靠近0。那為什么要把預(yù)測(cè)結(jié)果映射到[0,1]之間呢？因?yàn)檫@樣不僅便于神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，也便于我們?nèi)祟愡M(jìn)行理解。例如在預(yù)測(cè)是否有貓的例子中，如果y’是0.8，就說明有80%的概率是有貓的。

激活函數(shù)就只介紹這些，后面的文章再詳細(xì)介紹它。有些同學(xué)可能會(huì)不樂意，要求我多說一些，其實(shí)我也想口若懸河地扒拉扒拉說一大堆，因?yàn)榘岩患?jiǎn)單的事給說復(fù)雜了是很容易的，而要把一件復(fù)雜的事給說簡(jiǎn)單了是非常非常難的。每篇文章我都是改了又改，刪了又刪，目的就是讓它盡可能的通俗易懂。說多了反而讓你們變得暈頭轉(zhuǎn)向。例如其實(shí)在邏輯回歸公式中，w其實(shí)應(yīng)該寫成w.T，因?yàn)閷?shí)際運(yùn)算中我們需要w的轉(zhuǎn)置矩陣。你是不是有點(diǎn)暈頭轉(zhuǎn)向了~~我在教程前面的文章里通常會(huì)省略掉一些細(xì)節(jié)，因?yàn)槟切┘?xì)節(jié)較難，而且他們對(duì)于大家理解最重要的理論部分又沒有幫助；在后面的文章，我會(huì)慢慢地把他們給介紹出來，讓你們循序漸進(jìn)，快樂地在不知不覺中學(xué)會(huì)人工智能這一尖端的高科技。

在本篇文章中，我們知道了神經(jīng)網(wǎng)絡(luò)是如何進(jìn)行預(yù)測(cè)的。那么它又是如何判斷自己是否預(yù)測(cè)正確了的呢？如果發(fā)現(xiàn)自己預(yù)測(cè)錯(cuò)誤了，他又是如何從錯(cuò)誤中進(jìn)行學(xué)習(xí)，使自己越來越聰明的呢？后面的文章我將給大家揭曉！

最開始我是在CSDN上面進(jìn)行公開教學(xué)的，深受網(wǎng)友喜愛，粉絲增長(zhǎng)速度直逼蒼井空老師。

但后來發(fā)現(xiàn)很多網(wǎng)友只是玩玩而已，并沒有下決心學(xué)好人工智能。為了將我有限的精力花在那些真心想學(xué)好的同學(xué)身上，我轉(zhuǎn)到了QQ空間進(jìn)行教學(xué)，只有部分經(jīng)過篩選的網(wǎng)友才可以進(jìn)入學(xué)習(xí)。放棄CSDN后我的精力都集中在努力將QQ空間打造成一個(gè)高質(zhì)量的人工智能忠實(shí)愛好者的學(xué)習(xí)樂園，大家在里面交流學(xué)習(xí)，我也會(huì)帶領(lǐng)大家做項(xiàng)目，表現(xiàn)突出者也可直接加入到百度的研發(fā)團(tuán)隊(duì)中，人工智能領(lǐng)域現(xiàn)在真的很缺人~~后來在學(xué)習(xí)中又有同學(xué)反應(yīng)QQ空間有時(shí)候刷不出圖，而且還會(huì)屏蔽一些黃色詞匯，雜七雜八的體驗(yàn)不好。所以我就又花時(shí)間給大家建了這個(gè)專門的學(xué)習(xí)網(wǎng)站，想發(fā)什么內(nèi)容都可以了；網(wǎng)站風(fēng)格也清爽簡(jiǎn)練，很適合學(xué)習(xí)。。。就這樣一步步地，我在不斷優(yōu)化內(nèi)容的同時(shí)，也在不斷提升同學(xué)們的學(xué)習(xí)環(huán)境！讓真正想學(xué)的同學(xué)能在更好的環(huán)境中學(xué)到更優(yōu)秀的技術(shù)！

有不少出版社聯(lián)系我，我都拒絕了，因?yàn)槲矣X得在線網(wǎng)站的效果要好得多。我可以不停地優(yōu)化教學(xué)內(nèi)容，使技術(shù)與時(shí)俱進(jìn)，對(duì)于新的班次我都會(huì)根據(jù)當(dāng)前人工智能領(lǐng)域的最新成果來進(jìn)行調(diào)整；同學(xué)們學(xué)完一個(gè)內(nèi)容后有不懂的地方也可以向我提問，我會(huì)為其解答。完全自學(xué)是很難的，會(huì)走不少?gòu)澛?#xff0c;所以提問和討論環(huán)節(jié)是非常非常重要的，可以為你節(jié)約很多時(shí)間和精力。另外也有專業(yè)的在線教育機(jī)構(gòu)找我合作，可是他們的收費(fèi)太貴了，極大地增加了同學(xué)們的學(xué)習(xí)成本。所以最終決定創(chuàng)建我們自己的學(xué)習(xí)網(wǎng)站才是最優(yōu)方案。

學(xué)員越來越多，事也越來越多了。而我精力有限，所以只負(fù)責(zé)核心教學(xué)，其余很多事都是聘請(qǐng)的一些助理負(fù)責(zé)的，而且網(wǎng)站的運(yùn)營(yíng)也不停地需要開支，所以入會(huì)的同學(xué)需要繳納些會(huì)員費(fèi)。

有了門檻后，學(xué)員是少了很多，但學(xué)員質(zhì)量卻提高了，組隊(duì)參加競(jìng)賽的實(shí)力也強(qiáng)了。另外令我驚訝的是，學(xué)員中甚至有不少AI專業(yè)的博碩生以及資深的老程序員。當(dāng)然有些高中學(xué)歷的學(xué)員也非常的出類拔萃，學(xué)得很認(rèn)真理解得也很透徹！各類背景的學(xué)員之間取長(zhǎng)補(bǔ)短，同學(xué)之間互幫互助，構(gòu)建了一個(gè)良好的學(xué)習(xí)社區(qū)。

我不需要很多學(xué)員，我只需要真正想學(xué)好的學(xué)生！只要你有決心學(xué)，即使是零基礎(chǔ)，我也有信心把你教好教精！期待你加入到我們的人工智能團(tuán)隊(duì)中來！

下面是之前一些同學(xué)在QQ空間和網(wǎng)站上提問的截圖，有些學(xué)員問的問題很有深度！

??

?

?

決定入會(huì)的同學(xué)可點(diǎn)擊此處

總結(jié)

以上是生活随笔為你收集整理的【转】人工智能-1.2.2 神经网络是如何进行预测的的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。