8.神经元和需求预测

目录

神经元和大脑

demand prediction需求预测

单特征

多特征 

多隐藏层

recognizing images图像识别

---

神经元和大脑

        大脑是如何工作的，且这与神经网络有什么关系

        初衷：尝试模仿大脑的算法

        最开始是用于演讲=>图像（机器视觉）=>文本（自然语言处理）=>各种领域的广泛应用（天气，医学等）

demand prediction需求预测

单特征

多特征 

我们的目标依赖以下几个问题：

        第一，衬衫的价格是多少？

        第二，潜在客户对该衬衫的了解程度是多少？

        第三，感知质量偏差或者潜在偏差认为该衬衫是一件高质量衬衫。

接下来，需要为这几个问题创建神经元。

        第一个的函数与price和shipping cost有关，第二个函数主要与market有关，第三个与price和material有关。接下来，我们把这三个神经元与右边的神经元连接。该神经元输出最后的是否成为销售榜首的可能性。

        把中间三个神经元组成一个层layer，右边单独的神经元也可以组成一个layer，也叫output layer。affordability、awareness、perceived quality和probability也叫做activations。

        我们把输入的数据统一用向量x表示，每一层输入向量且输出向量。

        图中中间层也叫hidden layer，这是因为在训练的过程中，我们只能看到输入的数据和输出结果，但是模型不会为我们展示中间数据的细节，就像隐藏起来一样。

多隐藏层

         网络中隐藏层中神经元的数量和隐藏层单元的数量对网络的影响很大。

        图中具有隐藏层的网络也叫Multi-Layer Perception。

recognizing images图像识别

        一张图片在电脑上实际对应这样的小网格，每个数字0到255，代表着像素的亮度brightness。将像素依次组成一个向量作为输入。

 

        输入送入第一层隐藏层，用于提取一些特征，然后依次再送入后续隐藏层和输出层。 

        在一些已经训练过的模型中，可能会发现，第一层隐藏层中第一个神经元可能是寻找垂直线或者垂直边缘的，第二个神经元可能是寻找定向线的等等，在前面的隐藏层的神经元可能在寻找图像中比较短的线和边缘。第二层隐藏层中，你可能会发现，为了寻找脸的部分，神经元会把一些短线和短边组合在一起，例如图中所示，第一个神经元检测图像中某个位置眼睛的存在， 第二个神经元可能在检测鼻子的下部。后面的隐藏层，可能会把不同部分的脸部组合在一起去检测一些比较大的特征，例如脸型等。   

        注意！这些检测的隐藏层和神经元，都是它自己从数据中检测这些特征的。不是人为告诉它哪个神经元检测短线，那个神经元检测脸型。  

 

        这个网络识别汽车的，第一个隐藏层检测短线和边缘，第二个隐藏层检测车的部分，第三个隐藏层是检测车型。

        通过给网络输入不同的数据，网络会自动检测不同的特征，进行汽车或者人脸识别的预测。即每一步目的是相同的，但是数据的不同，对应提取出来的特征也不同。