前言
沉寂了这么久，原本说发布一个go语言无框架建站教程，结果发现由于这一年没怎么看go语言，go的工程模式貌似有了新的变化，再加上联系了导师，导师让我学习神经网络的知识，所以索性先把go语言建站的日程推后，先行学习神经网络再说。
一如既往，我的目标仍然是让你看了之后就能和别人讲。
今天，就先看看神经网络的基本概念，对它有一个初步的了解吧。（前几篇可能是理论知识多一点，后面再实操）
什么是神经网络？
这里不会对这一概念进行解释，让我们一步一步去理解这个神秘的东西。
神经元？函数？
生物中的神经元
高中我们都学过（既然看到这篇文章，我默认您是工科的学生或者理科的学生，那么高中应该是学习了生物这门课程），生物大脑中有神经元，草图如下（单个神经细胞）：
左边是接受其他神经元传来的信号的，经过处理之后，如果需要反应，那么会在末端释放神经递质即将这个信号传递到下一个神经细胞（虽然上面的解释可能不精确，但是大概能理解到这个神经细胞的作用了）。
简单来说，一个神经元有三个基本的功能：‘
1. 接收刺激或者信号
2. 处理这些信息
3. 根据信号做出相应反应
程序语言中的函数
在程序中，我们经常使用到函数(function)或者方法(method)或者其他的，在这里就姑且统称为函数吧，举个例子，一个很简单的最大值函数：
# 返回num1和num2的最大值
def Max(num1, num2):
if num1 > num2:
num2 = num1
return num2可以看到
1. 这个函数接收了两个参数：num1和num2
2. 比较了num1和num2的大小
3. 返回了最大值
神经元！函数！
现在，很容易理解，其实，一个神经元就可以大致认为是一个简单的函数，这个神经元（函数）接收信号（参数），处理信息，作出反应（返回值）！多么简单，以后，我们编程时就不要说写一个功能函数了，就说，来吧，写一个比较最大最小值的神经元吧哈哈哈哈哈哈。
神经元+神经元 = 神经网络
高中生物课本说，很多个神经元组成了一个神经网络，人体中的神经元数量大概有几百亿个，就是简单的蚂蚁也有几十万个神经元，而这么多数量的神经元一个一个连接到一起工作，竟然产生了令人惊讶的能力：智能。而这个网络，也被称为神经网络。
所以，神经元（函数）+神经元（函数） = 神经网络（人工神经网络）。
虽然这句话不严格精确，但是很能帮助理解如何去使用编程语言编写神经网络，即我们需要使用函数套函数，这个函数的输出作为下一个甚至后面多个函数的输入，一个函数的输入来自一个甚至多个函数的输出，如示意图：
理解了上面的四张图，相信我，你已经步入了神经网络编程的大门。恭喜你！
编程中，神经网络的分类
据我目前的知识，神经网络大致分为两类：预测机和分类机。
但事实上，这两类神经网络应该没太大区别，比如自动驾驶，某一张道路状况的照片，我们既可以说：预测下一步的动作，左拐还是右拐或者其他，也可以说：分类这个场景，左拐，右拐还是其他，所以无需在这个分类上面纠结太多。
但有的情况貌似有区别，比如输入华氏度，给出摄氏度，在不知道明确转换公式的情况下，这里的神经网络应该只能叫预测机，因为输入是华氏度，经过处理后，给出可能的摄氏度结果。
如果叫分类机，那问题就太大了。比如73华氏度到74华氏度之间有无限个温度数值，不可能全部“分类”。
函数：摄氏度转为华氏度函数
# 将摄氏度转为华氏度
def CToF(C):
return 1.8 * C + 32上面的函数功能很简单，就是把摄氏度转为华氏度，无论我们输入什么摄氏度的值，都能得到精确的华氏度的值。
但是，这是我们想要的吗？不是！我们需要的是神经网络！
神经元：摄氏度->华氏度
当我们看到一个运算时，比如 41*41，我们一眼就能看出结果大于1600，而一眼看出结果却很难，计算机却能直接计算出结果是1681。
同样，我们知道体温大概是36.5摄氏度或者97.7摄氏度左右，但是我们并不能精准知道现在体温是多少，但是神经元能通过自己的“经验”来“推断”出我们当前的体温应该是多少。
所以，这里有一个很有意思的事情：神经网络不需要计算精确，需要近似计算即可。编程神经网络时，不需要很精确，实际上，也不可能精确。实际生活中，无论什么方面，总能找到一些特殊的例子，有些人戏谑的称之为地球OL的BUG。
神经网络：温度转换
假设我们现在对 F = 1.8 * C + 32 这个公式有点模糊了，我们只知道需要加32，而忘记了C前面需要乘多少，幸运的是，我们大脑中有一个闲置的神经元可以用来处理这个转换，手里面也有一个华氏温度计和一个摄氏温度计。
设置初始条件
我们知道摄氏度和华氏度之间的转换关系是：F = 常数 * C + 32，要去估计这个常数的大小，所以，现在设这个常数是1，即初始转换关系是：F = 1 * C + 32。
我们使用温度计测量了下面一组数据：
| 华氏度 | 摄氏度 |
|---|---|
| 97.7 | 36.5 |
| 77 | 25 |
| 212 | 100 |
经过设置，我们的闲置的神经网络设置为如下图所示：
尝试计算
现在准备好了一切，我们把测量的36.5输入到网络中，网络计算后，输出了68.5。
然后计算误差：97.7 - 68.5 = 29.2。（切记，误差可正可负可为0，但误差=真实值 - 计算值，当然你也可以计算值 - 真实值，只要你自己知道，并且计算时不要弄颠倒就行。）
29.2华氏度，这个误差还是挺大了，接下来，我们需要增大C的系数，变为1.5（系数乘以1.5，我承认这个变化太大，但是这是为了便于理解，其实变化应该小一点）。神经元变成了下面的样子：
输入第二个摄氏度的数据（25），再次计算，网络输出为69.5。
现在的误差为：77 - 69.5 = 7.5。误差瞬间变小了，但是误差仍然存在，所以我们要继续调整，1.5*1.5 = 2.25，于是，神经元变成了下面的样子：
现在计算第三个摄氏度的数据（100），得到257。
现在误差为：212 - 257 = -45（无论使用真实值-计算值还是计算值-真实值，要保证前后一致。）。误差再次变大，且现在是负的，证明我们调整的过于猛烈了，而测量数据到这里已经没了，所以我们只得选择误差相对较小的系数1.5作为神经元最终的训练结果。
最终结果
最终我们得到了一个摄氏度到华氏度转换的公式：F = 1.5 * C + 32，虽然和真正的公式（F = 1.8 * C + 32）相差较大，但是这种思想是神经网络的“核心”思想之一：随机初始数据（例如本例的F = 1 * C + 32），利用数据计算误差（使用测量的三组数据），调整数据重新计算（计算误差，重新计算），一次又一次的调整数据，最终得到一个较好的结果（F = 1.5 * C + 32）作为最终的网络。
以上是我的总结，可能与官方的表述不一样，但是大致思想只要大家理解了，相信学习起来会很快的。
上面的神经元的改进
最开始我们参数是1 时，得到了一个大误差，调整参数后计算误差急剧减小，然而我们调整参数策略却没发生变化，仍然是乘以了1.5，导致参数变化过于剧烈，从而引起了误差剧变。
上面计算时，第一次误差是29.2，第二次误差是7.5，如果我们每次只改变误差的一部分呢？比如，误差的百分之1？来吧，尝试一下。仍然是从最初开始！
最初的神经元
尝试训练
把第一组数据的摄氏度36.5输入网络，得到输出为：68.5。
计算误差 ：97.7 - 68.5 = 29.2。此时调整参数1为：1 + 29.2 / 100 = 1.292。现在新的神经元如下：
把第二组数据的摄氏度25输入网络，得到输出为：64.3。
计算误差：77 - 64.3 = 12.7。可见，虽然这是的误差没有变化过于猛烈，但是至少误差是在慢慢减少了，它走上了正确的道路。
此时调整参数为：1.292 + 12.7 / 100 = 1.419。现在新的神经元如下：
此时将最后一组数据摄氏度100输入网络，得到输出为173.9。
计算误差：212 - 173.9 = 38.1。调整参数为：1.419 + 38.1 / 100 = 1.8。（很抱歉，误打误撞竟然算出了一个精确的1.8，这是偶然情况，并不是所有神经网络都能算到这么精确，但是希望大家能理解这里面的思想。）
而此时新的神经元如下：
到此，训练数据结束。
选择最终结果
一般来讲，我认为可以选择最后两次的任意之一作为最终的结果。本次纯属偶然得到了精确的1.8的值，实际应用中应该会比1.419更接近1.8，或者高于1.8，体现在数轴上，最后一次计算的参数应该处于黄色区域：
所以，在未知的情况下，这两次的结果都可能是更好的，例如为改进版本直接乘以1.5，倒数第二次的1.5为更好，而改进版本中，显然最后一次更好（相对来讲）。
写到最后
虽然今天内容看起来极其简单，但是，这就是神经网络的核心知识之一，理解了这些，学好神经网络绝非难事，但是要记住几个有帮助的建议：
1. 适当的改变参数，大误差大调整，小误差小调整。
2. 神经元的参数不需要精确，只需要有一个大概值即可，哪怕看起来有点荒诞，也是一个可以使用的值。
3. 每次训练要建立在前一次训练调整后的基础上。
如果大家有兴趣，可以试一试将改进版本中的调整率变为2%计算最终结果，试一试吧哈哈
最近等开学，在家里找了兼职，白天上班，抽空才能学习并记录，不定时更新，尽量周更或者两周更，希望大家多多谅解！拜谢！下期见！