1.2 什麼是神經網路

        “深度學習”指的是訓練神經網路，有的時候 規模很大，那麼神經網路是什麼呢？我們從一個房價預測的例子開始，假設有一個六間房屋的資料集已知房屋的面積，單位是平房英尺或者平方米，已知房屋價格，想要找到一個函式，根據房屋面積，預測房價的函式，如果你懂線性迴歸，你可能會得到這樣一條直線，但是，你可能也知道，價格永遠不能為負，因此，直線不太合適，它最後會讓價格為負數，我們會在這裡彎曲一點，讓它結束於0，這條粗的藍線就是你要的函式，根據房屋面積預測價格，你也許可以把這個房屋加個擬合函式 看成是一個非常簡單的神經網路，這 幾乎是最簡單的神經網路了，讓我畫在這裡，我們把房屋的面積作為神經網路的輸入，稱之為x，通過這個節點 這個小圈圈，最後輸出了價格，用y來表示，這個小圓圈就是一個獨立的神經元，你的網路實現了左邊這個函式的功能，這個神經元所做的，就是輸入面積，完成線性運算，取不小於0的值，最後得到的輸出預測價格，神經網路的文獻中，經常看到這個函式，這個函式一開始是0，然後就是一條直線，這個函式被稱作ReLU函式，全稱是“修正線性單元”即ReLU,"，修正"指的是取不小於0的值，這就是這個函式長成這樣的原因，不理解ReLU函式的話不用擔心，這門課的後面還會看到它的，這是一個單神經元網路。

規模很小的神經網路，大一點的神經網路，是把單個神經元堆疊起來形成的，你可以把這些神經元 想象成單獨的樂高積木，你通過搭積木來構建一個更大的神經網路，來舉個例子，不僅僅用房屋的面積來預測價格，現在你還用一些房屋的其它特徵，知道了一些別的資訊，比如臥室的數量，這樣記下來，你可能想到，有一個很重要的因素會影響房屋價格，就是“家庭人數”，這個房屋能住下一個三口之家，四口之家，五口之家，這個性質和麵積大小相關，還有臥室的數量，能否滿足住戶的家庭人數需求，你可能知道郵編，在一些國家，或許能作為一個特徵，說明了步行化程度，這附近是不是高度步行化？你是否能步行去雜貨店 或者是學校，是否需要開車？有些人喜歡高度步行化的地方，另外根據郵政編碼還有富裕程度，在美國是這樣的，其它國家也可能一樣，郵編體現了附近學校的質量，我畫的每一個小圓圈都可能是一個ReLU，即“修正線性單元”，或者其它的不那麼線性的函式，基於房屋面積和臥室數量，你可以估算家庭人口，基於郵編 可以評估步行化程度，基於郵編也可以評估學校質量，最後，你可能會想，人們願意在房屋上話費多少錢，和他們關注什麼 息息相關，在這個例子，家庭人口、步行化程度以及學校質量，都能幫助你預測房屋的價格，在這個例子中，x 是所有的這四個輸入，y是預測的價格，把這些獨立的神經元疊加起來，上一張幻燈片裡面，簡單的預測器（神經元），現在有了稍微大一點的神經網路，神經網路的一部分神奇之處在於，當你實現它之後，你要做的只是輸入x，就能輸出y，不管訓練集有多大，所有中間過程它都會自己完成，那麼你實際上做的就是，這有四個輸入的神經網路，輸入的特徵，可能是臥室的數量，郵政編碼，和周邊的富裕程度，已知這些輸入的特徵，神經網路的工作就是預測對應的價格，同時，也注意到這些圈圈，在一個神經網路中他們被叫做“隱藏單元”。

         每個的輸入都同時來自四個特徵，比如說 我們不會具體說 ，第一個節點表示家庭人口，或者說家庭人口僅取決於特徵x1和x2，我們會說：神經網路 你自己決定這個節點是什麼，我們只給你四個輸入特徵，隨便你怎麼計算，因此我們說這一層 ，輸入層在中間的這一層，在神經網路中 連線數是很高的，因為輸入的每一個特徵，都連結到了中間的每個圈圈，值得注意的是，神經網路只要你餵給它足夠多的資料，關於x和y 的資料，給到足夠的x，y訓練樣本，神經網路非常擅長於計算從x到y 的精準對映函式，這就是基本的神經網路，你可能發現自己的神經網路在監督學習的環境下是如此有效和強大，也就是說 你只要嘗試輸入一個x，即可對映成y，像我們在剛才房價預測的例子中看到的，在下一個視訊中，你會看到更多監督學習的例子，有些例子會讓你覺得你的神經網路對你的應用場合非常有幫助。

       學習總結：神經網路是由神經元構成，每個神經元可以理解成一個簡單的函式（一個線性模型），每個輸入引數都有對應的輸出結果與之相對應，隨著輸入引數的增多，神經元隨之增多，各個神經元之間相互連線相互，相互影響，構成神經網路，神經網路分為輸入層、隱藏層和輸出層。在監督學習環境下，給到的資料越多，那麼訓練的效果越精確。