吴恩达老师的神经网路和深度学习_01

什么是神经网络？(What is a Neural Network)

        吴恩达老师讲了一个房价预测的例子：假设你有一个数据集，它包含了六栋房子的信息。所以，你知道房屋的面积是多少平方英尺或者平方米，并且知道房屋价格。这时，你想要拟合一个根据房屋面积预测房价的函数。

        根据这些输入输出，我们要建立一个函数模型，来预测房价：y=f(x)。首先，我们将已知的六间房子的价格和面积的关系绘制在二维平面上，如下图1所示：

    （图1）

       线性回归相信大家都很了解，我们可以用这些数据拟合一条直线。”于是你可能会得到这样一条直线。（价格永远不会是负数的。因此，为了替代一条可能会让价格为负的直线，我们把直线弯曲一点，让它最终在零结束），如下图2蓝色折线所示，就是我们建立的房价预测模型。 

              （图2）   

   （图2 中的折线）在有关神经网络的文献中，经常看得到这个函数。从趋近于零开始，然后变成一条直线。这个函数被称作ReLU激活函数，它的全称是Rectified Linear Unit（修正线性单元）。

      图2（蓝色折线）就可以看成是一个神经网络，几乎是一个最简单的神经网络。该房价预测可以用最简单的神经网络模型来表示，如下图3所示：

       （图3）

 

      图3 只是一个简单的神经元，通常一个大型的神经网络往往由许多神经元组成。 

       我们在房价预测的例子中在添加一些其他影响房价的因素进去，例如，除了考虑房屋面积（size）之外，我们还考虑卧室数目（#bedrooms）。这两点实际上与家庭成员的个数（family size）有关。还有，房屋的邮政编码（zip code/postal code），代表了该房屋位置的交通便利性，是否需要步行还是开车？即决定了可步行性（walkability）。另外，还有可能邮政编码和地区财富水平（wealth）共同影响了房屋所在地区的学校质量（school quality）。如下图4所示，该神经网络共有三个神经元，分别代表了family size，walkability和school quality。每一个神经元都包含了一个ReLU函数（或者其它非线性函数）。那么，根据这个模型，我们可以根据房屋的面积和卧室个数来估计family size，根据邮政编码来估计walkability，根据邮政编码和财富水平来估计school quality。最后，由family size，walkability和school quality等因素来预测最终的房屋价格。

                                                                                           （图4）

 

      上面图4 不是真正神经网络模型结构，真正的神经网络模型结构是每个神经元与所有的输入x都有关联（直线相连），图5有四个输入，分别是size，#bedrooms，zip code和wealth分别用x1、x2、x3、x4 表示，y 是预测的房价，三个神经元所在的位置称之为中间层或者隐藏层（x所在的称之为输入层，y所在的称之为输出层）。

                                                                                             （图5）

    图5基本的神经网络模型结构。在训练的过程中，只要有足够的输入x和输出y，就能训练出较好的神经网络模型，此模型在相似的房价预测问题中，能够得到比较准确的结果。                                                                                     

上面只是大概讲了一下什么是神经网络，及一个房价预测的实例。通过上面的实例相信大家都能学到很多，对神经网络有个大概的了解。

 这里附上网易云课堂该专项课程的地址：http://mooc.study.163.com/smartSpec/detail/1001319001.htm  感兴趣的小伙伴可以去学习，可以很大的提升自己。