23、使用神经网络检测猫和狗

使用神经网络检测猫和狗

1. 从K-means到神经网络

K-means算法存在固有局限性，仅依据高度和长度，在没有合适的真实标签情况下，它只能基于最近的均值（即质心）来预测品种，从而在聚类之间形成看似清晰的界限。

现在，我们将从简单的无监督K-means聚类模型转向更复杂的有监督神经网络模型。神经网络的灵感来源于人类大脑的工作方式。人类大脑由神经元组成，每个神经元接收刺激并决定是否“激活”，激活的神经元会向其他相连的神经元发送电信号。大型的相互连接的神经元网络可以通过调整连接方式和对刺激的敏感度来学习对不同输入做出反应。

现代神经网络模型遵循相同的指导原则，但更侧重于使用数据解决实际问题，而非精确模拟人类大脑。

2. 神经网络基础

• 神经元结构 ：神经网络的关键组件之一是神经元（有时也称为节点）。一个节点包含一个或多个输入（$x_i$）、它们的权重（$w_i$）、一个输入函数和一个激活函数。输入函数计算所有输入的加权和，并将其传递给激活函数。在学习过程中，权重会根据输入信号对学习目标的重要性进行调整，以放大或减弱信号。激活函数根据输入函数的结果决定节点是否激活。
• 简单神经网络示例 ：一个简单的神经网络可能包含两个输入节点、两个中间层节点和一个输出节点。以区分猫和狗为例，可以将高度和长度值输入到两个输入节点，输出节点将给出信号，指示输入数据属于猫还是狗。每个节点根据上一阶段的输入和权重决定是否激活。

3. 权重调整与训练

• 初始权重设置 <