Coursera 机器学习（by Andrew Ng）课程学习笔记（四）——神经网络（一）

此系列为 Coursera 网站机器学习课程个人学习笔记（仅供参考）
课程网址：https://www.coursera.org/learn/machine-learning
参考资料：http://blog.csdn.net/scut_arucee/article/details/50144225

---

Week Four——Neural Network：Representation

---

一、前言

1.1 分类器

当我们用机器学习算法构造一个汽车识别器时，我们需要一个带标签的样本集，其中一部分是汽车，另一个部分可以是其他任何东西，然后我们将这些样本输入给学习算法，以训练一个分类器。训练完毕后，我们输入一幅新的图像，让分类器判定这是否为汽车。

---

1.1 神经网络的优势

对于复杂的非线性分类问题，当特征变量个数n很大时，用逻辑回归时 logistic 函数g(θTx)中的θTx如果用二次多项式表示，则二次项数目很多，约为n2，计算复杂度达到O(n2)；如果用三次多项式表示，则三次项数目更多，复杂度达O(n3)。

而神经网络能很好的解决上面那种复杂的非线性分类问题。

---

二、神经网络的模型

2.1 神经元的模型

在一个神经网络里，我们将神经元模拟成一个逻辑单元（logistic unit），如下图黄色圆圈所示。

x1,x2,x3是它的输入，向神经元传输一些信息，神经元通过一些计算 hθ(x)，然后输出计算结果。这里，hθ(x)=g(θTx)=11+e−θTx。我们称之为由logistic 函数作为激励函数的人工神经元。与前面内容相对，有时，输入单元中会加一个偏置单元 （如上图浅蓝色圆圈所示）x0，x0=1。

---

2.2 神经网络的模型

神经网络是一组神经元的组合，如下：

同样的，有时我们会加上偏置单元，它们的值永远为1。图中网络的第一层也叫做输入层（Input Layer），第二层叫做隐藏层（Hidden Layer），隐藏层可以有多层，第三层叫做输出层（Output Layer）。

---

2.3 神经网络的假设函数

为了解释神经网络具体的计算步骤，我们先来说明一些符号：

a(j)i——第 j 层第 i 个神经元的激励（神经元读入数据后计算并输出的值）；
Θj——权重矩阵，控制着从第 j 层到第 （j+1） 层的函数映射。

下面我们看一下隐藏层的神经元是怎么计算它们的值的：

如果神经网络第 j层有 sj 个单元，第 (j+1) 层有 sj+1个单元，则 Θj 就是一个sj+1∗(sj+1)维的矩阵。（第(j+1)层的偏置单元 a(j+1)0 不必求，始终为1，但第 j偏置单元对第(j+1)层有影响）
如上图，Θ1 是 3×4 的矩阵，Θ2 是1×4的矩阵。

---

三、前向传播

下面我们引入符号 z(j)k来代替上面式子中括号里的部分：

a(2)1=g(z(2)1)

a(2)2=g(z(2)2)

a(2)3=g(z(2)3)

总之，对于第二层的第k 个节点：

z(2)k=Θ(1)k,0x0+Θ(1)k,1x1+⋯+Θ(1)k,nxn

我们用向量表示 x 和 z(j)：

x=⎡⎣⎢⎢⎢⎢x0x1⋮xn⎤⎦⎥⎥⎥⎥z(j)=⎡⎣⎢⎢⎢⎢⎢⎢z(j)1z(j)2⋮z(j)n⎤⎦⎥⎥⎥⎥⎥⎥

根据上面的映射关系，a(1)=x，可知：

z(j)=Θ(j−1)a(j−1)

第 j 层激励单元的向量表示：

a(j)=g(z(j))

-
计算完 a(j) 后，我们可以给第 j 层添加上偏置单元（a(j)0=1）。同前面一层，我们可以得到下一层激励单元的值：

z(j+1)=Θ(j)a(j)，a(j+1)=g(z(j+1))

假设第（j+1） 层为输出层，则：

hΘ(x)=a(j+1)=g(z(j+1))

这种从输入层的激励开始向前传播到隐藏层，再传播到输出层的行为叫做前向传播(Forward Propagation)。

看了这么多，神经网络到底在做什么呢？

对于上面神经网络的模型那张图，如果不看输入层，只看后面两层：

写出计算公式：

hΘ(x)=Θ(2)1,0a(2)0+Θ(2)1,1a(2)1+Θ(2)1,2a(2)2+Θ(2)1,3a(2)3

忽略一些上下标，看上去很像逻辑回归。

神经网络所做的事情很像逻辑回归，但它不是使用 x0,x1,x2,x3 作为输入特征来训练逻辑回归，而是通过另一组参数 Θ(1) 将 x0,x1,x2,x3 映射为隐藏层的 a(2)1,a(2)2,a(2)3 作为输入特征。

---

四、利用神经网络解决非线性问题

首先，我们先来看下面两张图：

如左图所示，x1,x2 只能取0和1，图中只画了4个样本，我们可以把左图看做是右图的简化版本，用叉来代表正样本，圆圈代表负样本。在以前的例子中，我们会通过学习一个非线性的决策边界来区分正负样本，那么神经网络是如何做到的？

下面我们通过几个例子来看一下：

与运算（AND）
x1,x2∈{0,1},y=x1 and x2，按下图给神经网络分配权重：

hΘ(x)=a(2)=g(−30+20x1+20x2)

-
又由于logistic函数g(z)有在z>4.6 时越来越接近1，在z<−4.6时越来越接近0的趋势，如下图：

故我们可以得到神经网络的输出和输入的关系：

x1 x2 hΘ(x) 0 0 g(−30)≈0 0 1 g(−10)≈0 1 0 g(−10)≈0 1 1 g(10)≈1

可以看到，hΘ(x)≈x1 or x2，该神经网络实现了与运算。

或运算（OR）
x1,x2∈{0,1},y=x1 and x2，按下图给神经网络分配权重：

hΘ(x)=a(2)=g(−10+20x1+20x2)

画出真值表：

x1 x2 hΘ(x) 0 0 g(−10)≈0 0 1 g(10)≈1 1 0 g(10)≈1 1 1 g(30)≈1

可以看到，hΘ(x)≈x1 or x2，该神经网络实现了或运算。

逻辑非（NOT）
x1∈{0,1},y=not x_{1}$，按下图给神经网络分配权重：

hΘ(x)=a(2)=g(10−20x1)

画出真值表：

x1 hΘ(x) 0 g(10)≈1 1 g(−10)≈0

可以看到，hΘ(x)≈not x_{1}$，该神经网络实现了逻辑非运算。

(NOT x1) AND (NOT x2)
按下图给神经网络分配权重：

可以自己画真值表验证。

同或运算（XNOR）
按下图给神经网络分配权重：

仔细观察，可知

a(2)1=x1 and x2，即红色部分实现的是AND；
a(2)2= (not x1) and (not x2)，即蓝色部分实现的是(NOT x1) AND (NOT x2)；
hΘ(x)=a(3)1=a(2)1 or a(2)2，即绿色部分实现的是OR；

通过真值表，我们会发现这个神经网络确实实现了同或运算（XNOR）。

通过这个例子我们可以看到，复杂函数可以通过一些简单函数的组合来实现。

比如神经网络的第二层可以计算输入层特征变量的函数；第三层可以以第二层为基础，计算更复杂的函数；第四层可以以第三层为基础计算比第三层还要复杂的函数，以此类推。神经网络运用更深的层数可以计算更复杂的函数，使其作为特征传递给最后一层的逻辑回归分类器，更准确地预测分类结果。

---

五.神经网络在多类别分类中的应用

在多类别分类中，我们的输出并不是一个数，而是一个向量，例如有一个三类别分类问题，我们要识别一个物体是行人，小汽车，摩托车还是卡车，则神经网络的模型可以如下图：

最后一层的输出层相当于有4个逻辑回归的分类器，hΘ(x)∈R4，更具体的说：

训练数据集是 (x(1),y(1)),(x(2),y(2)),⋯,(x(m),y(1))。y(i)一定是上面4个列向量中的一个。神经网络的目标是使 hΘ(x)≈y(i)。