要了解深度学习，首先必须了解“深度学习”的前身：神经网络与神经元的概念。

关于神经网络与深度学习的概念和区别，我在“机器学习（一）”那篇文章已经展现就不赘述了。

深度学习可以说是目前“人工智能浪潮”火热的一个根本原因，就是因为它的兴起，其中包括深度神经网络、循环神经网络和卷积神经网络的突破，让语音识别、自然语言处理和计算机视觉等基础技术突破以前的瓶颈。而要了解深度学习，就必须首先了解“深度学习”的前身，神经网络与神经元的概念。

一、神经元的构成

神经元可以说是深度学习中最基本的单位元素，几乎所有深度学习的网络都是由神经元通过不同的方式组合起来。

一个完整的神经元由两部分构成，分别是“线性模型”与“激励函数”。如果看过之前的文章，相信可以回忆起其中“线性回归”和“激励函数”的概念

1.线性模型

（1）构成

假设这个线性模型的函数：  y=wx+b（有木有很熟悉），其中x是一个1xn的向量矩阵，矩阵中的每个向量值即代表样本一个特征的值，w为nx1的权重矩阵（对应向量的所占的比重），b为偏置项。

（2）工作流程

以判定一个苹果的品质为例，我们假定y代表品质变量，x为1×3矩阵，w为3×1矩阵（偏置忽略为0的情况下），具体如下

x矩阵里的向量值“1、2、3”分别代表一个数据中提取出来的特征向量的值。

w矩阵里的“0.2、0.6、0.7”分别代表每个特征向量的权重取值大小。

这两个矩阵相乘，最终会得到一个实数（涉及到数学矩阵运算，并非所有都会是实数哦~）

1X0.2+2X0.6+3X0.7=3.5

得到的3.5即我们拟合出来的一个苹果的品质假定为y1，用这个值与已经标定好的真实品质y0做差，就可以得到一个数据的拟合值与真实值的误差，当然真实的计算这可是海量数据计算

用到我第一章分享“线性回归”中对全局性误差函数的定义

通过这个函数来描述所有数据拟合值与真实值之间的关系，目的也是和机器学习一样，最终是要找到一个符合要求的Loss与w,b之间的映射关系

以上单个神经元中“线性模型”的运算流程，本质和机器学习中的“线性回归”过程是没有区别的

2.激励函数

（1）激励函数的作用

激励函数位于一个神经元线性模型之后，也有翻译成激活函数。它的作用有两个：

• 加入“非线性”因素
• 根据不同训练目的的需要，进行数学函数映射

为什么要加入“非线性”因素，那是因为“现实世界”的数据不可能都是线性的，如果你强行用“线性模型”去拟合非线性数据，最后得到的结果肯定是“欠拟合”

怎么理解数学函数映射呢，在这里拿最常用的Sigmoid函数举例

Sigmoid函数定义：

激励函数之前的线性模型“y=wx+b”已经经过运算得到了一个实数（即前面的3.5）

可以作如下的推导

则激励函数sigmoid变为

下图为Sigmoid函数图形，由图像可以看出，最初的x经过“线性模型”映射为z（z理论上可以为任意大小的实数），而z经过激励函数的再一次映射，最后的输出必然为了【0，1】区间的实数，这就实现了一次数学函数的映射。

它可以实现一个简单的概率分类判断，假定“0”和“1”各代表一个概念，那么最后的输出在区间【0，1】，更接近“1”，就代表它是更可能是“1”所代表的概念

（2）激励函数的种类

激励函数的种类实在很多，应用的场景也各不相同，比较常见的除了上面提到的Sigmoid函数外，还有多用于RNN（循环神经网络）的Tanh函数，大部分用于CNN（卷积神经网络）的ReLU函数，以及Linear函数等。

在这里就不一一列举他们的公式和函数图像了，总之每个激励函数都有自己的“个性”（特性），根据不同的算法模型和应用场景，会搭配使用不同的激励函数，当然最终的目的只有一个，就是让算法模型收敛的越快，拟合的越好

二、神经网络

1.神经网络的构成

神经网络，其实就是多个神经元横向与纵向的堆叠，最为简单和基础的神经网络可以用下图来表示

通常分为以下三层：

输入层：负责直接接受输入的向量，通常情况下不对数据做处理，也不计入神经网络的层数。

隐含层：是整个神经网络最为重要的部分，它可以是一层，也可是N层，隐含层的每个神经元都会对数据进行处理。

输出层：用来输出整个网络处理的值，这个值可能是一个分类向量值，也可能是一个类似线性回归那样产生的连续的值。

2.神经网络工作流程

初步的理解，神经元就是通过图中首尾相连的方式进行连接并实现数据传递，上一个神经元的输出，会成为下一层神经元的输入。对于一个x向量中的任意一个维度的分量，都会在整个神经网络进行一层一层地处理。

神经网络的厉害之处就在于，我们可以调节神经网络的层数，网络的拓扑结构以及神经元的参数，去改变对一个输入向量x的不同数学维度上的处理方式，进而达成不同的训练目的。这也是后来像DNN、RNN、CNN成为当下人工智能炙手可热的一大原因。（其实DNN，但从结构上来说，可以简单理解为层数的增加，进而带来对特征的提取和抽象能力的增强）

当然，随着网络层数的增加，拓扑结构的复杂，随之而来也会带来整个神经网络的副作用和难题，比如容易陷入局部最优解，梯度消失严重等问题。这也是后续需要探讨和深化了解的东西。

相关阅读

AI产品之路：机器学习（一）

AI产品之路：机器学习（二）

本文由 @ Free 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自unsplash，基于CC0协议