目前机器学习、深度学习在业界使用的越来越广泛，做为一个有着技术追求的it人，我觉得有必要学习和了解一下这块的知识，今天就从最简单的单层神经网络开始介绍。
在介绍人工神经网络之前，首先认知下神经元。
神经元
不知道大家还有印象这个图吗？这个是出现在我们生物课本中的一幅图。
一个神经元的组成基本就是上图这些东西组成。
通常一个神经元具有多个树突，主要用来接受传入信息信息，信息通过轴突传递进来后经过一系列的计算（细胞核）最终产生一个信号传递到轴突，轴突只有一条，轴突尾端有许多轴突末梢可以给其他多个神经元传递信息。轴突末梢跟其他神经元的树突产生连接，从而传递信号。这个连接的位置在生物学上叫做“突触”。
也就是说一个神经元接入了多个输入，最终只变成一个输出，给到了后面的神经元，那么基于此，我们尝试去构造一个类似的结构。
结构
神经元的树突我们类比为多条输入，而轴突可以类比为最终的输出。
这里我们构造一个典型的神经元模型，该模型包含有3个输入，1个输出，以及中间的计算功能。
注意在每一个输入的“连接”上，都有一个对应的“权值”。
说个通俗的例子来理解下权值。比如今天你要决定今是否要去看电影，可能要考虑这3个因素： 1、女朋友有没有时间，2、有没有好看的电影，3、今天工作忙不忙； 而这三个因素对于每个人来说权重都是不同的，因为有的人看重工作、有的人看重家人，不同的权重最终的结果也会不一样。
因此权重的大小是比较关键的。而一个神经网络的训练算法就是让权重的值调整到最佳，以便使得整个网络的预测效果最好。
接下里，我们用数学的方式来表示一下神经元，我们定义 w为权重，x为输入
$$ w = \begin{bmatrix} w_{1} \\ ... \\ w_{m} \end{bmatrix} , x = \begin{bmatrix} x_{1} \\ ... \\ x_{m} \end{bmatrix}$$
$$ z = w_{1} * x_{1} + ... + w_{m} * x_{m} $$
z输入的总和，也就是这两个矩阵的点乘，也叫内积。这里补充点数学知识。
$$ z = w_{1} * x_{1} + ... + w_{m} * x_{m} = \sum\limits_{j=1}^{m} w_{j} * w_{j} = w^{T}*x $$
$$ \begin{bmatrix} 1 & 2 & 3 \end{bmatrix} * \begin{bmatrix} 4 \\ 5 \\ 6 \end{bmatrix} = 1*4 + 2*5 + 3*6 $$
激活函数
当信息到达计算完成之后，这个值不会直接传递给下一层，而是需要经过一个激活函数，将激活函数的值传递给下一层。
$\phi$(z) = { 1 if z>=θ; -1 otherwise
注意这里有一个阈值 θ ，阈值的确定也需要在训练过程中进行完成。
那么如何进行训练，这里的我们需要用到感知器（preceptron）算法，具体过程分为下面这么几个步骤：
1、首先将权重向量w进行初始化，可以为0或者是[0,1]之间的随机数；
2、将训练样本输入感知器（计算内积后输入激活函数得到最终结果），最后得到分类的结果（结果为1 或 -1）；
3、根据分类的结果再次更新权重向量w；
前面提到激活函数是当z值大于一定的阈值 θ 后，才进行激活或者不激活。因此为了计算方便呢，我们再多加入一组向量，w0 和 x0 ，w 取 -θ ，x0 取 1；将其放到等式左边，这样当 z>0 的时候 激活函数输出 1，而 z<0 激活函数输出 -1。
$$ z = w_{0} * x_{0} + w_{1} * x_{1} + ... + w_{m} * x_{m} $$
$\phi$(z) = { 1 if z>=0; -1 otherwise
权重更新
好，前面所有的准备都已经完成，接下来我们看下刚才提到的第三步，权重向量的更新，其实也就是神经网络训练的过程：
权重的更新每一轮迭代 Wj = Wj+ ▽Wj
而 ▽Wj = η * ( y - y' ) * Xj
上式中 η 叫做学习率，是[0, 1]之间的一个小数，由我们自己定义；y是真实 的样本分类，而 y’ 是感知器计算出来的分类。
我们可以简单推导一下，当 y 和 y' 相等，▽Wj 的值为0，Wj则不会更新。对应的意义就是真实和预测的结果是相同的，因此权重也不需要再更新了。
这里举个例子 :
假设初始化 W = [ 0, 0, 0] ， X = [1, 2, 3], 假设定义 η = 0.3，y = 1，y' = -1
▽W(1) = 0.3 * (1 - (-1)) * X(1) = 0.3*2*1 = 0.6; W(1) = W(1) + ▽W(1) = 0.6;
▽W(2) = 0.3 * (1 - (-1)) * X(2) = 0.3*2*2 = 1.2; W(1) = W(1) + ▽W(1) = 1.2;
▽W(3) = 0.3 * (1 - (-1)) * X(3) = 0.3*2*3 = 1.8; W(1) = W(1) + ▽W(1) = 1.8;
更新之后的向量 w = [0.6, 1.2, 1.8] 然后接着继续计算，更新。
阈值更新
前面提到，我们将阈值经过变换后变成了 w0，再每一轮的迭代训练过程中，w0也需要跟着一起更新。
最初w0 也需要初始化为0，因为x0等于1，因此 ▽W(0) = η * ( y - y' ) ；
这里很多人可能会和我开始有一样的疑惑，阈值不是提前定义好的吗？其实不是的，这里不断的迭代，其实就是阀值计算的过程，和权重向量一样，最终都是通过一轮一轮更新计算出来的，由于一开始我们设定的w0 = - θ，所以当最终我们的阀值更新出来后，-w0 就是我们学习出来的阀值。
看到上面的过程是否有些晕，从整体上看，其实就是这样一个过程：
初始化权重向量和阈值，然后计算预测结果和真实结果是否存在误差，有误差就根据结果不断的更新权重，直到权重计算的结果最终达到最佳，权重的值就是我们学习出的规律。
感知器目前的适用场景为线性可分的场景，就是用一条直线可以分割的二分类问题。
用python实现了上述过程，可以看下：
#-*- coding:utf-8 -*- # 简单神经网络 感知器 import numpy as np reload(sys) sys.setdefaultencoding("utf-8") class Perception(object): ''' eta: 学习率 η time: 训练次数 w_: 权重向量 ''' def __init__(self, eta = 0.01, time=10): self.eta = eta self.time = time pass ''' 输入训练数据，X为输入样本向量，y对应样本分类 X:shape[n_samples, n_features] X:[[1,2,3], [4,5,6]] n_samples : 2 n_features: 3 y:[1, -1] ''' def fit(self, X, y): # 初始化权重向量为0，加一为w0，也就是损失函数的阈值 self.w_ = np.zero[1 + X.shape[1]] self.errors_ = [] for _ in range(self.time): errors = 0 # x:[[1,2,3], [4,5,6]] # y:[1, -1] # zip(X,y) = [[1,2,3,1], [4,5,6.-1]] for xi, target in zip(X, y): # update = η * ( y - y' ) update = self.eta * (target - self.predict(xi)) # xi 为向量, 这里每个向量都会乘 self.w_[1:] += update * xi self.w_[0] += update; errors += int(update != 0.0) pass # 损失函数 def predict(self, X): # z = w1*x1+...+wj*xj + w0*1 z = np.dot(X, self.w_[1:]) + self.w_[0] # 损失函数 if z >= 0.0: return 1 else: return -1