本文是摘抄学习大神 计算机的潜意识 文章 https://www.cnblogs.com/subconscious/p/5058741.html
神经网络是一种模拟人脑的神经网络，期望能够实现类人的人工智能机器学习技术。
一、经典神经网络模型
这个模型包含三个层次的神经网络，红色是输入层(3个输入单元)，绿色是输出层(2个单元)，紫色是隐藏层（4个单元）
神经网络模型知识点：
- 输入层和输出层的节点数一般是固定的，隐藏层可以自由设定
- 神经网络结构图的拓扑与箭头代表预测过程数据的流向，和训练的数据流有一定的区别
- 结构图的关键不是神经元(图中圆圈)，而是连接线(图中圆圈的连接线)，每个连接线对应一个不同的权重(值称为权值)，权重是训练得到
二、神经元模型
神经元包含输入、输出和计算功能的模型，下图包含3个输入、1个输出、以及二个计算功能的模型
连接是神经元中最重要的东西，每个连接上都有一个权重。
神经网络算法就是让权重值调整到最佳，以到达模型预测的效果最好。
使用a表示输入特征变量，w来表示权重值，一个连接的有向箭头表示：a经过连接加权变成了aw
对于多特征变量的神经元模型，如下图，其中：z = g(a1w1+a2w2+a3w3)为输出计算公式
在MP模型里，函数g是sgn函数：当输入大于0时输出为1，小于0是输出为0
把sum函数和sgn函数合并，神经元可以看作一个计算和存储单元，计算是神经元对输入进行计算，存储是神经元会暂存计算结果，并传递到下一层。
整个模型就是对函数：z = g(a1w1+a2w2+a3w3)结果的预测，通过已知的样本a1,a2,a3特征和对应的标签z1,z2,z3，得出最优的w1,w2,w3权重，最后预测出z标签值
三、单层神经网络
在MP模型的输入位置添加神经元节点，标志其为输入单元(负责传输数据，不计算)，输出层的输出单元需要对前一层对输入进行计算。
有两个输出单元的模型，用wx,y来表达一个权值。下标中的x代表后一层神经元的序号，而y代表前一层神经元的序号（序号的顺序从上到下）。
分析图上两个公式，可以向量化：
输入特征变量：a = [a1 a2 a3]T(T代表转置矩阵)，预测值：z = [z1 z2]T,权重矩阵W(2X3矩阵)
输出公式向量化表示： z = g(Wa) (神经网络前一层计算后一层的矩阵运算)
神经网络类似一个logistic回归，可以做分类任务。决策界限表示分类效果
四、两层神经网络模型
两层神经网络包含一个输入层、一个输出层和一个隐藏层，隐藏和输出层都是计算层。
ax(y)代表第y层的第x个节点。z1，z2变成了a1(2)，a2(2)。下图给出了a1(2)，a2(2)的计算公式
使用矩阵来进行向量化,a1,a2,z是网络传输的向量数据，W1和W2是网络的矩阵参数
a2 = g(W1a1)
z = g(W2a2)
由此可见，使用矩阵来向量化不会受到节点的数量影响，因此神经网络大量使用矩阵运算来描述。
偏置节点：它本质上是一个只函数存储功能，切存储值永远为1的单元，除了输出层外，神经网络的每个层都含有一个偏置单元，跟线性回归模型和逻辑(logistic)回归模型相同。
偏置单元与后一层的所有节点都有连接，设参数为向量b，称为偏置
偏置节点没有输入，在考虑偏置后神经网络的矩阵运算：
a2 = g(W1a1 + b1)
z = g(W2a2 + b2)
g函数为sigmoid函数又称logistic函数、激活函数：g(x) = 1/(1+e-x)，输入大于0时输出为1，小于0是输出为0。
理论证明，两层神经网络可以无限逼近任意连续函数
隐藏层的节点数设计
在设计一个神经网络是，输入层的节点数需要与特征的维度匹配，输出层的节点数也要与目标的维度匹配，而隐藏层的节点数，由设计者指定，但是节点数设置多少，却会影响模型的效果，如何决定这个自由层的节点数呢？目前业界没有完善的理论来指导这个决策。一般是根据经验来设置。较好的方法就是预先设定几个可选值，通过切换这几个值来看整个模型的预测效果，选择效果最好的值作为最终选择。这种方法又叫做Grid Search（网格搜索）
了解了两层神经网络的结构以后，我们就可以看懂其它类似的结构图。例如EasyPR字符识别网络架构（下图）。
EasyPR使用了字符的图像去进行字符文字的识别。输入是120维的向量。输出是要预测的文字类别，共有65类。根据实验，我们测试了一些隐藏层数目，发现当值为40时，整个网络在测试集上的效果较好，因此选择网络的最终结构就是120，40，65。
前向传播：输入层--> 隐藏层--> 输出层
反向传播
参考：
1、《机器学习》(吴恩达)
2、计算机的潜意识：https://www.cnblogs.com/subconscious/p/5058741.html