猫史档案馆

嗯哼，我就系你们滴嗯哼君啦~~~

最近由于嗯哼君加入了小蓝研发团队的一员，因此就要努力学习AI了。

最近正在学习神经网络，因此想发几个教程见证一下嗯哼君的学习成果，顺带巩固巩固。

而今天，嗯哼君就给大家带来神经网络的入门——“权重”与“偏置”。

在学习神经网络之前，我们先来学习一下感知机，因为两者是层层递进的关系的。

我们首先来看一下感知机的基本结构：

我们首先要知道，上图中的“x”为输入，“w”为权重，“y”为输出，“○”为神经元（也叫节点），“→”为神经流。

它的流程是这样子的：用户输入两个值（即x1与x2），分别乘以分别的权重（w1与w2）。若加起来的和大于阈（yù）值，y则输出True（1）；若小于等于阈值，y则输出False（0）。

另外，阈值是一开始设置的一个实数值，也可以理解为输出True的难易值。

阈值用θ（中文谐音“西塔”）表示，θ越大则说明输出True的困难度更大，反之更小。

就是这么简单，不是吗？

我们还可以将其变个方法表达出来，用“-b”来表示θ

这就和方程差不多，两边同减去一个数，最终等式仍成立。

b也就等于θ，只不过它来到了等式的左边，而右边则成了0。

我们将“b”叫做“偏置”，它其实就和阈值一个样，只不过叫法与看起来不同而已。

总结一下，公式是这样的：

感知机的各个输入都有其分别的权重，这些权重发挥着控制各个信号的作用。

我们也可以这么理解，权重越大，其信号的重要性就越大（输出量高）。

我们来举个例子，若w1为1，w2为2，b为-1，我们可以用下列的Python代码表达出来：

x1 = float(input('第一个输入？'))
x2 = float(input('第二个输入？'))
w1 = 1
w2 = 2
b = -1
z = x1 * w1 + x2 * w2 + b 
if z > 0:
    y = True
else:
    y = False

我们可以从中获取什么信息呢？能获得的信息有很多很多。

比如说：1、输入x2比输入x1更容易被激活，也就是重要性更大。

2、就算输入x1为0，x2只要大于0.5就能输出True

诸如此类，我就不胜枚举了。而我们在看一个神经网络的代码时候最好能画下图来，这样子有助于理解。

而我们在关注一个神经网络的时候，首先就是要看神经元的数量，就是有几个输入等。

其次我们要看权重、阈值与偏置，这样子我们就对这个神经网络基本了解了。