执行任意代码都会自动念上一段 『平安经』

每层阶梯都用一个神经网络来表示，它们是隐藏层中具有sigmoid激活函数的节点，sigmoid激活函数本质上是概率阶跃函数。本质上，每个节点都被“分配”给f(x)的一部分。

然后通过权重和偏置系统，网络可以决定节点的存在，使sigmoid函数的输入值达到正无穷(输出值为1)，如果对于特定的输入值需要激活神经元，则输出值为负无穷。这种使用节点寻找数据函数特定部分的模式不仅可以在数字数据中观察到，在图像中也可以。

虽然通用逼近定理已经扩大范围到适用于其他激活函数，如ReLU和神经网络类型，但是其原理依然是正确的：神经网络是完美的。

神经网络不再依赖复杂的数学方程和关系系统，而是将自身的一部分委派给数据函数的一部分，并机械记忆其指定区域内的归纳。当这些节点聚合成一个巨大的神经网络时，结果看似是智能模型，实际上是设计巧妙的逼近器。

如果神经网络可以构建——至少在理论上——一个精度符合你预期的函数(节点越多，逼近就越精确，当然不考虑过拟合的技术性)，一个结构正确的神经网络可以模拟其他任何算法的预测函数p(x)。对于其他任何机器学习算法来说，这是不可能的。

神经网络运用的方法不是优化现有模型中的一些参数，如多项式曲线和节点系统，而是对数据建模的一种特定视角，它不寻求充分利用任何独立系统，而是直接逼近数据函数;我们如此熟悉的神经网络架构仅仅是将思想进行建模展现。

有了神经网络的力量和对于深度学习这一无底洞领域的持续研究，数据——无论是视频、声音、流行病学数据，还是任何介于两者之间的数据——将能够以前所未有的程度建模，神经网络确实是算法的算法。


模的目的是找到这个有代表性的或标注正确的函数f(x)，并用p(x)来表示预测。所有机器学习算法都以不同的方法处理这个任务，将不同的假设视为有效，并且给出最佳结果p(x)。如果写出创建p(x)的算法，你可能会得到从条件列表到纯数学运算之间的任何结果。描述函数如何将目标映射到输入的函数实际上可以采用任何形式。

 

尽管在技术上神经网络对算法的表示和实际算法有很多差异，但是重点在于神经网络表达了相同的思想，并且可以运用相同的策略处理问题，其表现与实际算法也是一样的。

然而一些人或许并不满足于粗略地将算法转换为神经网络的形式，或者希望看到对于更复杂算法的通用应用，如k近邻和朴素贝叶斯，而不是具体情况具体分析。

通用逼近定理(UniversalApproximation Theorem)可以解决这个问题，它是神经网络巨大成功背后的数学解释，从本质上表明一个足够大的神经网络可以以任意精度模拟任何函数。假设有一个代表数据的函数f(x)，对于每个数据点(x, y)，f(x)总是返回一个等于或非常接近y的值。

 

可能需要进行一些限制，比如限制节点间的连接，并固定某些参数，当然，这些变化不会影响“神经网络”标签的完整性，也许还需要添加更多层来确保支持向量机的表现与实际情况一样。

基于树的算法会更加复杂一些，如决策树算法。至于如何构建此类神经网络，在于它如何划分自己的特征空间。当一个训练点穿过一系列分割节点时，特征空间被分割成几个超立方体;在二维空间示例中，垂直线和水平线构成了正方形。

（编辑：济源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!