神经网络原理的可视化

前言

神经网络具备很强的学习能力和自适应自组织能力，并且随着隐含层的数量增大学习能力也将变得更强，所以目前不少场景都使用神经网络，好比深度学习，咱们更熟悉的就是阿法狗。

关于神经网络

神经网络已经有不少变种，好比卷积神经网络、循环神经网络等等。

感知器是一种最基础的神经网络，他只有输入层和输出层，感知器只能处理线性可分问题，而对于非线性问题就须要多层神经网络。通常以下图所示，有多个层，好比左边的包含输入层、隐层和输出层，而右边的则包含了两个隐层。每层的神经元与下一神经元全互连，同层之间的神经元不会相连，输入层用于接收输入，通过隐层加工后再到输出层加工并输出。

这里写图片描述

如何训练多层网络

对于多层网络咱们经常使用偏差逆传播算法来训练，而咱们最多见的BP神经网络指的是使用偏差逆传播来训练的多层前馈神经网络。除此以外其余类型的神经网络也可能会用偏差逆传播算法来训练。

总的来讲，偏差逆传播是使用梯度降低法，经过反向传播不断调整神经网络中各个权重从而使输出层的偏差平方和最小。

可视化实验

TensorFlow 提供了一个试验演示平台可让咱们经过可视化更好理解神经网络，地址是 https://playground.tensorflow.org 。

下面两种较简单的分类模型，图中能够看到经过训练后能将两个类别区分开。输入特征咱们选择x1和x2，共有两层隐含层，分别有4个神经元和2个神经元。

 

若是咱们的数据集是比较复杂的，则须要更多隐含层，好比下面，

 

这个过程当中还能够看到每层每一个神经元的输出输入，另外还能够本身控制一步步训练，经过这个实验平台能帮助初学者理解神经网络的原理及过程，能够玩玩。

 

当真正开始学习的时候不免不知道从哪入手，致使效率低下影响继续学习的信心。（学习交流加我微信 bbbl12138）

但最重要的是不知道哪些技术须要重点掌握，学习时频繁踩坑，最终浪费大量时间，因此有有效资源仍是颇有必要的。