神经网络与深度学习之神经网络概念
- 机器学习的概念理解
机器学习就是通过多次实验（也称为学习），记录下实验结果，下次在遇到相同的实验，就能够知道实验结果。实验的样本要多，当有足够多的样本时，计算机就能大概率知道实验结果。
举个例子，假如日常生活中我们需要买橘子，当然要买那种又甜又多汁的。我们可以通过橘子的外观来判断橘子是否是我们想要的。首先可以用一个表格来描述橘子的属性和类型的关系。表格每一行放一个橘子的数据，包括橘子的各种物理属性：颜色、大小、形状和产地等，还有品尝是橘子的属性：甜度、成熟度和多汁度等。假设现在我们已经买了很多次橘子（进行多次实验），并获得了如下数据（记录实验结果）：江西产的深橙色的大橘子是甜且多汁的，而梅州产的浅橙色的小橘子是甜且多汁的（数据都是编的，千万不要作为挑选橘子的依据）。所以当我们下次再购买橘子时，只需要知道产地以及橘子的外观，扔到我们的模型中，模型就会告诉我们这个橘子的各种属性。
橘子模型稍微改变一下，就可以用于选择香蕉，这就叫迁移学习。
橘子模型对着新的样本、新橘子的种类，变得越来越好，越来越全面，这就叫增量学习。
这就是机器学习。
- 神经元
神经元又叫神经细胞，先来看看神经元的构成。
神经元主要大致可分为细胞体和突起两部分，细胞体这里不做过多介绍，下面主要介绍突起部分。突起分为树突和轴突：呈树枝状的被称为树突，它负责接收信息，将其他神经元的信息传递至胞体；而那根细长的突起成为轴突，它把胞体的冲动传送至远处，传给另一个神经元的树突（中间神经元）或者肌肉与腺体（传出神经元）。 2.1 神经元归纳起来分为三类： （1）感觉神经元（传入神经元），其树突的末端分布于身体的外周部，接收来自体内外的刺激，将兴奋船只脊髓和脑。 （2）运动神经元（传出神经元），其轴突延伸至肌肉或腺体。运动神经元的兴奋可引起它们的活动。 （3）联络神经元（中间神经元），介于上述两种神经元之间，把他们联系起来或者组成复杂的网络，起着神经元之间机能联系的作用，多存在于脑和脊髓里。 2.2 神经元具有两个主要的特性，即为兴奋性和传导性： （1）兴奋性 神经元的兴奋性非常特殊，当刺激强度未达到某一阈值时（阈值的概念为人工神经元模仿提供了理论依据，传输函数中大多数函数都是依据此原则来输出的），神经冲动不会发生，当刺激强度达到该阈值时，神经冲动就会发生并且能瞬间达到最大强度，此后刺激强度不管是继续增加或者减少到阈值以下，已经诱发的冲动强度也不会再发生变化。兴奋性的原理解释了我们为什么需要传输函数，通过了解神经元的构造也可以推出传输函数的数学构成。 （2）传输性 细胞轴突是一条长长的纤维，它把细胞体的输出信息传导到其他神经元。树突用来接收其他神经元的输入信号。细胞体接收所有树突的输入，并通过细胞体内复杂的化学变化，确定细胞体是否需要对轴突产生输出。这里面体现了神经元的传导性。