4、机器学习与神经网络入门

机器学习与神经网络入门

多层感知器与神经网络基础

多层感知器是一种经典的神经网络，它由多个相互连接的感知器组成，这些感知器按不同的顺序层组织，包括输入层、一个或多个隐藏层和输出层。每层的每个单元都与下一层的所有单元相连。信息首先被输入到输入层，然后用于计算第一个隐藏层每个单元的输出（或激活）$y_i$。接着，这个输出作为下一层的输入，向前传播，直到到达输出层。训练神经网络最常用的方法是将梯度下降与反向传播相结合。

隐藏层可以看作是输入数据的抽象表示，这是神经网络通过其内部逻辑理解数据特征的方式。然而，神经网络是非可解释模型，也就是说，即使观察隐藏层的$y_i$激活值，我们也无法理解它们，它们只是一组数值向量。我们需要输出层来弥合网络表示与我们感兴趣的实际数据之间的差距，可以将其视为一个翻译器，帮助我们理解网络的逻辑，并将其转换为我们感兴趣的实际目标值。

通用逼近定理表明，具有一个隐藏层的前馈网络可以表示任何函数。虽然理论上具有一个隐藏层的网络没有限制，但在实践中，这种架构的效果有限。

PyTorch简介与鸢尾花数据集分类实践

PyTorch是一个开源的Python深度学习框架，主要由Facebook开发，近年来越来越受欢迎。它提供了图形处理单元（GPU）加速的多维数组（或张量）操作和计算图，可用于构建神经网络。

下面我们使用PyTorch创建一个简单的神经网络来对鸢尾花数据集进行分类，具体步骤如下：
1. 加载数据集 ：

import pandas as pd
dataset = pd.r