Google釋出了Tensorflow遊樂場。Tensorflow是Google今年推出的機器學習開源平臺。而有了Tensorflow遊樂場，我們在瀏覽器中就可以訓練自己的神經網路，還有酷酷的影象讓我們更直觀地瞭解神經網路的工作原理。今天，就讓矽谷周邊帶你一起去Tensorflow遊樂場快樂地玩耍吧！

昨天，Google深度學習部門Google Brain的掌門人，也是Google裡受萬眾景仰的神級別工程師Jeff Dean，在Google Plus上釋出了Tensorflow遊樂場的訊息：

於是小夥伴們都十分激動地去Tensorflow的網站上玩神經網路了！遊樂場的地址是：http://

一開啟網站，就看見上面的標語：

“在你的瀏覽器中就可以玩神經網路！不用擔心，怎麼玩也玩不壞哦！”

這簡直太令人振奮了！面對這麼多可以隨便點的按鈕，咱們從哪兒開始呢？

首先讓我們來看看資料。在這個遊樂場中，我們有4種不同形態的資料可以玩：

每組資料，都是不同形態分佈的一群點。每一個點，都與生俱來了2個特徵：x1和x2，表示點的位置。而我們資料中的點有2類：橙色和藍色。我們的神經網路的目標，就是通過訓練，知道哪些位置的點是橙色、哪些位置的點是藍色。

如果橙色是橙子，藍色是藍莓。假設我們有2000個散落在各處的橙子和藍莓。前1000個，我們知道座標（1，1）的是藍莓，（2，2）的是橙子，（0.5，0.5）的是藍莓等等。我們要用這些資訊來訓練我們的神經網路，讓它能夠準確地預測出後1000個哪些是橙子、哪些是藍莓。

看上面的4組資料，我們會發現，前3中都能相對簡單地區分開，而最後一組螺旋資料會是最難的。

Tensorflow遊樂場中的資料十分靈活。我們可以調整noise（干擾）的大小，還可以改變訓練資料和測試資料的比例多少。下圖是不同noise的資料分佈。

當我們把每一個數據點的資訊餵給機器學習系統時，我們需要做feature extraction，也就是特徵提取。如果我們真的是在區分藍莓和橙子的話，大小、顏色等等都會是我們的特徵。而這裡，每一個點都有x1和x2兩個特徵。除此之外，由這兩個特徵還可以衍生出許多其他特徵：

抽象來說，我們的機器學習classifier（分類器）其實是在試圖畫一條或多條線。如果我們能夠100％正確地區分藍色和橙色的點，藍色的點會線上的一邊，橙色的會在另一邊。

上面這些圖其實非常的直觀。第一張圖中，如果x1作為我們的唯一特徵，我們其實就是在畫一條和x1軸垂直的線。當我們改變引數時，其實就是在將這條線左右移動。其他的特徵也是如此。

很容易可以看出，我們需要智慧地結合這其中一種或多種的特徵，才能夠成功地將藍色點和橙色點分類。這樣的feature extraction，其實往往是機器學習應用中最難的部分。好在我們有神經網路，它能夠幫我們完成大部分的任務。

如果我們選定x1和x2作為特徵，我們神經網路的每一層的每個神經元，都會將它們進行組合，來算出結果：

而下一層神經網路的神經元，會把這一層的輸出再進行組合。組合時，根據上一次預測的準確性，我們會通過back propogation給每個組合不同的weights（比重）。這裡的線越粗，就表示比重越大：

下面就讓我們用最難的螺旋形資料，來試試這個神經網路的表現吧！

在神經網路出現前，我們往往會竭盡所能地想出儘可能好的特徵，把它們全都餵給系統。而系統會是個十分淺的系統，往往只有一層。用這樣的方法來完成分類。

讓我們先來實驗傳統的方法。在這裡，我們將所有能夠想到的7個特徵都輸入系統，並選擇只有1層的神經網路：

最後的結果是這樣的，可以看出我們的單層神經系統幾乎完美地分離出了橙色點和藍色點：

接下來，讓我們來體驗神經網路真正的魔法。神經網路最大的魔力，就在於我們根本不需要想出各種各樣的特徵，用來輸入給機器學習的系統。我們只需要輸入最基本的特徵x1, x2, 只要給予足夠多層的神經網路和神經元，神經網路會自己組合出最有用的特徵。

在這次試驗中，我們只輸入x1, x2，而選擇1個6層的，每層有8個神經元的神經網路：

最後的結果是這樣的。我們發現，通過增加神經元和神經網路的層數，即使沒有輸入許多特徵，我們也能夠成功地分類：

神經網路的偉大之處就在於此。當我們在解決分類橙色點和藍色點這樣的簡單問題時，想出額外的特徵似乎並不是難事。但是，當我們要處理的問題越來越複雜，想出有用的特徵就變成了最最困難的事。比如說，當我們需要識別出哪張圖片是貓，哪張圖片是狗時，哪些特徵是真正有效的呢？

而當我們有了神經網路，我們的系統自己就能學習到哪些特徵是有效的、哪些是無效的，這就大大提高了我們解決複雜機器學習問題的能力，簡直是太酷啦！

看了以上的文章，你是不是對神經網路有了更直觀的認識呢？好奇的小夥伴們，歡迎去http://playground.tensorflow.org/自己試試看，真的非常好玩！