深度学习之感知机与神经网络
深度学习概述
人工智能这个概念并不是一个新潮的概念，早在人类尚未制造出第一台计算机之前，人们就已经开始思考计算机是否可以变得智能。在人工智能发展的早期，那些对于计算机来说很简单，但对于人类智力来说却相对困难的问题得到解决，例如一些复杂的计算繁重的但是可以通过一系列形式化的数学规则来描述的问题。IBM的深蓝国际象棋程序在1997年打败了世界冠军，而国际象棋可以简短地使用一个完全形式化的规则列表来表示，计算机只需要按照规则来搜索出最佳策略即可。
人工智能技术的真正难点在于如何解决那些对于人类来说可以简单凭借经验解决，但对于计算机来说却很困难的任务，例如识别一张图像中的动物是猫还是狗。计算机很早以前就可以打败人类世界冠军棋手，但直到最近才在图像识别和语音识别任务中达到人类的平均水平。这是因为这些任务需要大量主观的知识，很难通过形式化的方式将这些知识表示出来。让计算机从经验中去学习知识概念，避免需要形式化地给出它所需要的知识，再通过构建简单概念之间的联系来学习更复杂的概念，知识概念由低层向高层递进，就像一张层次很深的图，所以我们称这种方法为深度学习。
感知机与神经网络
深度学习可以让计算机通过简单的概念学习复杂的概念。学习简单的概念可以通过最基础的神经网络模型——感知器模型，感知器可以类比为人类大脑中的神经元，其本质上是一个将输入值映射到输出值的一个数学函数。如下图所示，神经元一共有n个输入值，分别是x1,x2,x3…xn,偏置项是x0，对应的是权重是w1,w2,w3…wn和w0，则输出值为
由于单层感知机能力有限，无法解决线性不可分的问题，由此引出了多层感知机的概念。多层感知机，又被称为全连接前馈神经网络，在输入层和输出层之间又添加了隐藏层，隐藏层的层数越多，学习的程度就越“深”，这也是深度学习名称的由来。多层感知机结构如下图所示：
