小白学CNN以及Keras的速成（2）

首先在理解CNN之前，我们有必要先理解一下什么是神经网络，这样我们才能开始了解更高级的卷积神经网络。

要学习神经网络当然有很多途径，网上不少的大牛写了很多攻略，有的推崇从理论到工程完成深度学习，有的希望从工程出发发现问题，解决问题。各种各样的方式都有不同的人去尝试，攻略也是一大推，这使得不少的小白直接倒在了选择材料的路上，一直在补先修知识，待到热情结束就放弃了学习，连卷积网络都不知道是什么，大大地打击了大家的学习热情。今天，sherlock在这里给大家推荐一个学习材料，保证你能够快速入门cnn，出去装逼也能够和别人聊几句。

这个材料是什么呢，就是大名鼎鼎的standford的cs231n这门课程 http://cs231n.github.io/ stanford大学确实算是深度学习和人工智能领域非常牛逼的学校。

神经网络

废话不多说，我们开始学习我们的神经网络。

neuron.png

这是一张脑神经的图片，神经网络的发明也是由此开始的，这就是所谓的一个神经元，上面有各种接受突触，然后通过一个脑神经来接受，最后得到输出的结果。

那么由这张脑神经图能够抽象出来的神经网络是什么呢?就是下面这个神经网络模型。

neuron_model.png

这个怎么理解呢？就是输入一个向量，然后给向量的每一个元素分配一个权重，然后通过权重求和得到一个结果，然后将这个结果输入一个激活函数，得到最后的输出结果。

激活函数又是什么鬼？激活函数的出现是因为人脑的构造，人脑里面接受信息得到结果这个过程是非线性的，比如你看到一样东西，你不可能保留这个东西的全部特征，你会重点观察你感兴趣的地方，这就是非线性的，也就是说需要一个非线性变化将输入的结果变换为非线性的结果。现在常用的非线性函数就是Relu(x) = max(x, 0)，就是将小于0的部分去掉，只保留大于0的部分。

这就是个单元的输入和输出，将这些单元合在一起就是一个神经网络。

neural_net.png

这就是简单的一层网络，也可以由多层网络

neural_net2.png

这里面的input layer就是所谓的单个训练集的维数，将所有的训练集输入就可以开始训练一个神经网络。

Keras实现简单的神经网络

知道了神经网络的基本结构和原理，如果大家还记得我前面一篇文章说的工具keras，我们可以开始使用keras去实现一个简单的神经网络。

import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np

导入必要的package

x = np.array([[0, 1, 0], [0, 0, 1], [1, 3, 2], [3, 2, 1]])
y = np.array([0, 0, 1, 1]).T

设定输入的x和y

simple_model = Sequential()
simple_model.add(Dense(5, input_shape=(x.shape[1],), activation='relu', name='layer1'))
simple_model.add(Dense(4, activation='relu', name='layer2'))
simple_model.add(Dense(1, activation='sigmoid', name='layer3'))

输入一个三层的神经网络，中间的hidden layer的元素个数是5和4，最后一层输出一个结果

simple_model.compile(optimizer='sgd', loss='mean_squared_error')

complie这个简单的模型

simple_model.fit(x, y, epochs=20000)

训练20000次模型

simple_model.predict(x[0:1])

可以预测一下第一个输入的x的结果与实际的是否相符

这就是一个简单三层网络的keras实现，下一篇文章我们将正式进入Convolutional Neural Network