解惑
小白和你都很糾結(jié)，升級為啥沒有用呢？
你倆決定登門拜訪一次“人工智能人話翻譯官”。
翻譯官家里的客廳中有一塊巨大的白板，他就在這塊白板前，開始了解惑的過程。
有的放矢
首先我們要明確一件事情，我們的模型怎么算好？
還記得在上一個章節(jié)中介紹
P，N 與P',N'之間的關(guān)系嗎？
就是真是情況和預(yù)測值之間的關(guān)系。
還有更以前介紹的模型
輸入 -> 模型 -> 輸出 嗎？
我們先把他們結(jié)合到一起。以上一章的戀愛數(shù)據(jù)為例，把數(shù)據(jù)灌進去就是。
我們一共有一百個人：
X 這個集合中就有(),
代表第一個人，
代表第二個人以此類推。
有三個維度我們用一個向量代表。
=
我們用 代表財富，
代表才華，
代表顏值。
=
Y' 代表輸出
Y' 這個集合中就有(),
代表第一個人是否配對成功的預(yù)測結(jié)果，
代表第二個人是否配對成功的預(yù)測結(jié)果以此類推。Y'有兩種可能，配對成功，或者配對失敗。
Y 代表真實的情況
Y 這個集合中就有(),
代表第一個人是否配對成功的真實情況，
代表第二個人是否配對成功的真實情況以此類推。Y有兩種可能，配對成功，或者配對失敗。
最后他們的關(guān)系就是：
由此我們自然希望Y 與 Y'之間的差距越小越好，最好Y'就是Y。
再來看一下模型：
Y' = XW + threshold
還記得之前的這個W和threshold我們是怎么設(shè)置的嗎？
=
是我們拍腦袋設(shè)置的！這就是造成我們模型不準(zhǔn)確的最大原因。
我們接下來的目的就是如何讓Y與Y'一致來展開，用數(shù)學(xué)公式表示就是
由于：
最終：
在這個公式中X已知，Y已知，不知道的是W和threshold。
學(xué)習(xí)能力
你的算法模型不是孩子了，他應(yīng)該具備學(xué)習(xí)能力。
等等學(xué)習(xí)能力這東西太抽象了，它該如何體現(xiàn)在編程上呢？
學(xué)習(xí)是什么？
我們先來試著給"學(xué)習(xí)"下一個定義。為了不太抽象，我們回憶一下我們在小的時候是怎么認識蘋果的。
你的父母絕對不可能這么對你講：“蘋果（學(xué)名：Malus pumila）是薔薇科蘋果亞科蘋果屬植物，其樹為落葉喬木?！?br> 一般的都是拿過來一個蘋果，告訴你這是蘋果，而你的直覺經(jīng)驗所得就是以后看見“紅色的圓圓的，吃起來甜甜的”就是蘋果，直到有一天你吃到了綠色的蘋果，你會把之前的直覺經(jīng)驗改成“紅色的或則綠色的圓圓的，吃起來甜甜的”就是蘋果。以后看到類似的物體你就可以做出正確的判斷了。
現(xiàn)在我們就可以給學(xué)習(xí)下一個定義了：人通過大量的觀察，積累直覺經(jīng)驗，獲得某項技能。
在剛才的故事中，你就是通過觀察（視覺，味覺）大量的蘋果，積累起來你的直覺經(jīng)驗（紅色的或則綠色的圓圓的，吃起來甜甜的），最后獲得判斷物體是不是蘋果的技能。
這個和之前我們講過的輸入->模型->輸出嗎？
把剛才的學(xué)習(xí)例子帶入：
=
作為輸入
大腦就是模型Y' = XW + threshold，(W與threshold就是大腦內(nèi)部的神經(jīng)元)
經(jīng)過大腦處理得到或者
這就是輸出。
大腦是怎么做到的？
拋開生物學(xué)上的細節(jié)，其實我們的大腦就是通過兩個動作的大量訓(xùn)練實現(xiàn)了學(xué)習(xí)，掌握了識別蘋果的技能。
這兩個動作就是前向計算與反向傳播：
前向計算：你的大腦接收到X的輸入,利用內(nèi)置的模型，得到Y(jié)'。
Y' = XW + threshold(W與threshold就是大腦內(nèi)部的神經(jīng)元) 如果Y'為正答案就是"蘋果"，否則得到"不是蘋果"。
反向傳播：
根據(jù)最有Y’與Y的差距，如果預(yù)測錯了，則修改大腦內(nèi)的神經(jīng)元也就是修改W與threshold。如果預(yù)測對了，則不修改大腦內(nèi)的神經(jīng)元。
這兩個過程一直循環(huán)，直到我們的掌握了識別蘋果的技能——比如拿過50個蘋果，50和蘋果相似但不是蘋果的物體，根據(jù)你大腦訓(xùn)練我們能大概率（比如90%）的識別出來。這也就相當(dāng)于你大腦中有了正確的。
這個過程像不像我們在上學(xué)時做的考前模擬？
接下來我們考慮的就是如何讓計算機幫我們實現(xiàn)這個學(xué)習(xí)的過程。
也就是針對 求極值問題，求最優(yōu)解問題。正好在計算機科學(xué)里面有現(xiàn)成的框架可以幫你和小白。
極值
本例中，我們希望Y越接近Y'越好，也就是越接近0越好——求極小值。
最優(yōu)解
本例中，通過前向計算與反向傳播不斷調(diào)整，終于在某一時刻，你獲得到一個能幫你獲得極值的參數(shù)組合。它們就是最優(yōu)解。
只有按照這個思路解決才是正道??！
你和小白意識到之前的模型設(shè)計思路有問題，它不能自主學(xué)習(xí)?。≮s緊回去查閱相關(guān)的文檔，讓模型具備自我學(xué)習(xí)能力。
總結(jié)一下今天學(xué)到的名詞：
學(xué)習(xí)
前向計算
反向傳播
極值
最優(yōu)解
