神經(jīng)網(wǎng)絡是當前機器學習領域普遍所應用的，例如可利用神經(jīng)網(wǎng)絡進行圖像識別、語音識別等，從而將其拓展應用于自動駕駛汽車。它是一種高度并行的信息處理系統(tǒng)，具有很強的自適應學習能力，不依賴于研究對象的數(shù)學模型，對被控對象的的系統(tǒng)參數(shù)變化及外界干擾有很好的魯棒性，能處理復雜的多輸入、多輸出非線性系統(tǒng)，神經(jīng)網(wǎng)絡要解決的基本問題是分類問題。

目前在機器學習領域火爆的開源軟件庫中，TensorFlow算其中一個，里面有大量的機器學習和深度神經(jīng)網(wǎng)絡方面的研究，畢竟由Google 大腦小組開發(fā)出來，其系統(tǒng)的通用性和易用性是無可比擬的，TensorFlow是一個采用數(shù)據(jù)流圖（Data flow graphs），用于數(shù)值計算的開源軟件庫。節(jié)點（Nodes）在圖中表示數(shù)學操作，圖中的線（edges）則表示在節(jié)點間相互聯(lián)系的多維數(shù)據(jù)數(shù)組，即張量（tensor）。（數(shù)據(jù)流圖用“結點”（nodes）和“線”（edges）的有向圖來描述數(shù)學計算。“節(jié)點”一般用來表示施加的數(shù)學操作，但也可以表示數(shù)據(jù)輸入（feedin）的起點／輸出（push out）的終點，或者是讀取／寫入持久變量（persistent variable）的終點�！熬�”表示“節(jié)點”之間的輸入／輸出關系。這些數(shù)據(jù)“線”可以輸運“size可動態(tài)調整”的多維數(shù)據(jù)數(shù)組，即“張量”（tensor）。張量從圖中流過的直觀圖像是這個工具取名為“Tensorflow”的原因，一旦輸入端的所有張量準備好，節(jié)點將被分配到各種計算設備完成異步并行地執(zhí)行運算）。因此對想快速上手神經(jīng)網(wǎng)絡做一些有趣的圖像識別和語音識別的小伙伴可利用TensorFlow進行學習。

神經(jīng)網(wǎng)絡的變種目前有很多，如誤差反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)路、概率神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network ，CNN－適用于圖像識別）、時間遞歸神經(jīng)網(wǎng)絡（Long short－term Memory Network ，LSTM－適用于語音識別）等。但最簡單且原汁原味的神經(jīng)網(wǎng)絡則是多層感知器（Muti－Layer Perception ，MLP），只有理解經(jīng)典的原版，才能更好的去理解功能更加強大的現(xiàn)代變種。

MLP神經(jīng)網(wǎng)絡的結構和原理

理解神經(jīng)網(wǎng)絡主要包括兩大內容，一是神經(jīng)網(wǎng)絡的結構，其次則是神經(jīng)網(wǎng)絡的訓練和學習，其就好比我們的大腦結構是怎么構成的，而基于該組成我們又是怎樣去學習和識別不同事物的，這次樓主主要講解第一部分，而訓練和學習則放到后續(xù)更新中。

神經(jīng)網(wǎng)絡其實是對生物神經(jīng)元的模擬和簡化，生物神經(jīng)元由樹突、細胞體、軸突等部分組成。樹突是細胞體的輸入端，其接受四周的神經(jīng)沖動；軸突是細胞體的輸出端，其發(fā)揮傳遞神經(jīng)沖動給其他神經(jīng)元的作用，生物神經(jīng)元具有興奮和抑制兩種狀態(tài)，當接受的刺激高于一定閾值時，則會進入興奮狀態(tài)并將神經(jīng)沖動由軸突傳出，反之則沒有神經(jīng)沖動。

我們基于生物神經(jīng)元模型可得到多層感知器MLP的基本結構，最典型的MLP包括包括三層：輸入層、隱層和輸出層，MLP神經(jīng)網(wǎng)絡不同層之間是全連接的（全連接的意思就是：上一層的任何一個神經(jīng)元與下一層的所有神經(jīng)元都有連接）。

由此可知，神經(jīng)網(wǎng)絡主要有三個基本要素：權重、偏置和激活函數(shù)。

權重：神經(jīng)元之間的連接強度由權重表示，權重的大小表示可能性的大小

偏置：偏置的設置是為了正確分類樣本，是模型中一個重要的參數(shù)，即保證通過輸入算出的輸出值不能隨便激活。

激活函數(shù)：起非線性映射的作用，其可將神經(jīng)元的輸出幅度限制在一定范圍內，一般限制在（－1～1）或（0～1）之間。最常用的激活函數(shù)是Sigmoid函數(shù)，其可將（－∞，＋∞）的數(shù)映射到（0～1）的范圍內。

激活函數(shù)還有tanh和ReLU等函數(shù)，tanh是Sigmoid函數(shù)的變形，tanh的均值是0，在實際應用中有比Sigmoid更好的效果；ReLU是近來比較流行的激活函數(shù)，當輸入信號小于0時，輸出為0；當輸入信號大于0時，輸出等于輸入；具體采用哪種激活函數(shù)需視具體情況定。

從上面可知下層單個神經(jīng)元的值與上層所有輸入之間的關系可通過如下方式表示，其它以此類推。

MLP的最經(jīng)典例子就是數(shù)字識別，即我們隨便給出一張上面寫有數(shù)字的圖片并作為輸入，由它最終給出圖片上的數(shù)字到底是幾。

對于一張寫有數(shù)字的圖片，我們可將其分解為由28＊28＝784個像素點構成，每個像素點的值在（0～1）之間，其表示灰度值，值越大該像素點則越亮，越低則越暗，以此表達圖片上的數(shù)字并將這786個像素點作為神經(jīng)網(wǎng)絡的輸入。

而輸出則由十個神經(jīng)元構成，分別表示（0～9）這十個數(shù)字，這十個神經(jīng)元的值也是在（0～1）之間，也表示灰度值，但神經(jīng)元值越大表示從輸入經(jīng)判斷后是該數(shù)字的可能性越大。

隱層的層數(shù)和神經(jīng)元的選擇需根據(jù)具體情況選擇，此例選擇兩層隱層，每層16個神經(jīng)元。那么根據(jù)上面的敘述，根據(jù)權重、偏置的個數(shù)此神經(jīng)網(wǎng)絡將會有13002個參數(shù)需要去調節(jié)，而如何調整這些參數(shù)，從而使神經(jīng)網(wǎng)絡有較好的學習效果則正是下篇更新的神經(jīng)網(wǎng)絡訓練和學習的內容。

通過樓主上面的敘述，該圖像識別問題最終可通過線性方程的方式表示出來，從而來描述本篇通過MLP神經(jīng)網(wǎng)絡進行數(shù)字識別的案例，并通過建立的問題描述模型來編程實現(xiàn)。

總結

MLP神經(jīng)網(wǎng)絡的結構還是挺簡單的，基本的結構和原理是入門學習所必須了解的。神經(jīng)網(wǎng)絡訓練和學習這塊等樓主有機會再更新，發(fā)現(xiàn)前期給自己挖太多坑都還沒填，主要在于樓主忙于工作，最近正好是2019上海車展，樓主也去轉了一波，基本都待在二層的零部件供應商那里，了解下各大供應商在智能出行、電驅、智能網(wǎng)聯(lián)等方面的系統(tǒng)集成和解決方案，收獲還是很多的，也希望能在下篇跟大家做個分享。

－ END －