【机器学习】神经网络

• 神经元
• 单层神经网络（感知机）
• 两层神经网络（多层感知机）
• 多层神经网络（深度学习）

一。神经元模型

1. M-P神经元模型

神经元模型是一个包含输入、输出和计算功能的模型。下图的模型中包含3个输入、1个输出，以及2个计算功能。

其中的箭头线是连接，带有权重，是神经元中最重要的东西。神经元模型中，有向箭头表示的是值的加权传递。

一个神经网络的训练算法就是让权重的值调整到最佳，以使整个网络的预测效果最好。

神经元可以看作是一个计算与存储单元。计算是神经元对其输入进行计算功能；存储是神经元会暂存计算结果，并传递到下一层。

2. 效果

神经元模型可以这样理解：

我们有一个数据，称之为样本。样本有四个属性，其中三个属性已知，一个属性未知。我们需要做的就是通过三个已知属性预测未知属性。
　　具体办法就是使用神经元的公式进行计算。三个已知属性的值是a1，a2，a3，未知属性的值是z。z可以通过公式计算出来。
　　这里，已知的属性称之为特征，未知的属性称之为目标。假设特征与目标之间确实是线性关系，并且我们已经得到表示这个关系的权值w1，w2，w3。那么，我们就可以通过神经元模型预测新样本的目标。

3. 影响

M-P模型建立了神经网络的大厦地基，但是，MP模型中，权重的值是预先设置的，因此不能学习。

二。单层神经网络（感知机）

1.结构

感知机由两层神经元组成，即在原来MP模型的“输入”位置添加神经元结点，标志其为“输入单元”，其余不变。

• 输入层的“输入单元”只负责传递数据，不做计算。
• 输出层的“输出单元”需要对前一层的输入进行计算，也称为计算层。

拥有一个计算层的感知机，称为单层感知机。