回顾 - DL笔记：机器学习和深度学习的区别
阿特：听说深度学习的思想受到神经网络的启发，那是什么玩意儿？
阿扣：神经网络包括生物神经网络和人工神经网络。在生物神经网络中，每个神经元与其他神经元相连。它接收其他神经元的输入，当电位超过了某个阈值（threshold）而被「激活」时，会向相连的神经元「发射」（fire）信号。
阿特：那跟机器学习有关系吗？机器没有生命啊……
Perceptrons 感知机
阿扣：参考生物神经网络，在计算机科学中，我们将独立的计算单元看做神经元。感知机 (Perceptron) 是神经网络的基本单位。每一个感知机都完成类似「给我一个数字，我告诉你它是正还是负」这样的简单任务。
比如说，我们把神经元看做包含一个 0 到 1 之间数字的小球：
神经元里面的数字叫激活函数 (Activation)。当数字超过某个阈值，比如说 0.5 时，我们就说这个神经元被激活了，它会输出 1 作为信号。如果神经元包含的数字小于 0.5，那它就输出 0，表示没有被激活。
这个神经元就是一个感知机。
一个感知机接收若干二进制输入 $x_1,x_2,…$，然后产生一个二进制输出：
阿特：这小球长得倒是有那么一丢丢像神经元……
阿扣：在这个最简单的系统里，包含：
- 输入：这个神经元接收到的其他神经元的信号
- 判断器：激活函数
- 输出：1 表示 yes「发射」，0 表示 no「不发射」
阿特：艾玛，这也叫简单？
阿扣：它其实是这个意思：
阿特：好吧我错了……让我晕一晕
阿扣：其实主要看蓝色的字就好。神经元怎么计算输出呢？我们引入「权重」(weights)，它表示从输入到输出的重要程度。权重的和 $\sum_j w_jx_j$ 如果大于阈值 $v_k$，就输出 1。
每一层神经元因为拥有上一层神经元的「经验」（上一层的输出），所以可以做出更抽象的「决策」。当我们把许多这样的神经元按一定的层次结构连接起来，就得到了人工神经网络（Artificial Neural Network）。
阿特：ANN，那我可以叫它 安？
阿扣：你喜欢咯…… 其实所有的深度学习的神经网络，都可以抽象成三个部分：
除了输入和输出层，中间的层都叫隐层。深度神经网络就是隐层数量很多的神经网络，深度学习就是从多层神经网络中，自动学习出各种 pattern。
阿特：666！能不能 input 废纸 output 比特币呀？
阿扣：……吃药时间到了
利用深度神经网络进行学习
阿扣：总结一下，对神经网络来说，输入层是数据集/变量，隐层是变量之间的关系（包含变量权重），形成高一级别的「模式」传递给下一个隐层，最后确定输出层的结果。
阿特：为什么我总是听说「训练」神经网络好让它「学习」呢？
阿扣：训练神经网络的目标，其实就是计算和调整权重 weights，使得模型输出结果最接近真实的数据集。
阿特：好抽象哦……
阿扣：举个例子，我们要预测房价的走势。假设知道房子大小可以预测房价，这个关系就可以用一个神经网络节点（node）来简单估计。
如果我们知道很多房子的信息怎么办呢？这时候就需要很多的节点，这些节点构成神经网络。房子的多种信息作为输入，房价的预测值作为输出，中间层（可以有多个）是用来计算出前面一层信息的权重，得出一定的模式，传导给下一层，直到最后得出预测值 y。
via: Neural Networks and Deep Learning | Coursera
阿特：好像有点明白了，让机器自己学习中间隐藏起来看不见的「规律」！
阿扣：再举个例子，图像识别是深度学习最广泛的应用之一，我们给系统看一张图，它能告诉我们这张图里有没有汪星人：
阿特：哇，原来机器在背后做了这么多事情，我还以为机器都很聪明呢，原来它们只是比较勤奋哈哈哈
阿扣：你得到了它~
