一.神经网络基础知识
1.神经网络解决了什么问题
- 将人类眼中的数据（如图像、文本）转换成计算机能理解的特征矩阵。
- 适用于分类、回归等多种任务，本质上是进行特征提取 与决策映射。
2.神经网络基本结构
- 输入层（Input Layer）：接收原始数据，如图像的像素矩阵。
- 隐藏层（Hidden Layers）：进行特征提取和变换，可以是多层叠加。
- 输出层（Output Layer）：给出最终预测结果，如分类概率。
每一层通常包括：
- 权重（Weights）
- 偏置（Bias）
- 激活函数（Activation Function）
三.神经网络与传统算法的关系
线性函数 ：简单的单层映射。
f ( W , x ) = Ｗ x + b f(W,x) = Ｗx + b f(W,x)=Ｗx+b
神经网络 ：可以理解为多层线性变换 + 非线性变换的组合，更强大且更灵活。
相比传统机器学习，神经网络：
- 可扩展性强（像堆积木一样堆叠）
- 容易DIY和创新
- 更适合处理复杂数据（如图像、文本）
举个例子
假设现在有一张图片，规格为: 32 * 32 * 3
这张图片就有 3072 个特征
10 分类权重矩阵： W = w 11 w 12 ⋯ w 1 ∗ 3072 w 21 w 22 ⋯ w 2 ∗ 3072 ⋮ ⋮ ⋱ ⋮ w 10 ∗ 1 w 10 ∗ 2 ⋯ w 10 ∗ 3072 10分类权重矩阵：\mathbf{W} = \begin{bmatrix} w_{11} & w_{12} & \cdots & w_{1*3072} \\ w_{21} & w_{22} & \cdots & w_{2*3072} \\ \vdots & \vdots & \ddots & \vdots \\ w_{10*1} & w_{10*2} & \cdots & w_{10*3072} \end{bmatrix} 10分类权重矩阵：W= w11w21⋮w10∗1w12w22⋮w10∗2⋯⋯⋱⋯w1∗3072w2∗3072⋮w10∗3072
特征矩阵 ( n = 3072 ) ： X = x 1 x 2 ⋮ x m 特征矩阵(n = 3072)：\mathbf{X} = \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_m \end{bmatrix} 特征矩阵(n=3072)：X= x1x2⋮xm
W ∗ X = f ( 1 ) f ( 2 ) ⋮ f ( 3072 ) W*X = \begin{bmatrix} f(1) \\ f(2) \\ \vdots \\ f(3072) \end{bmatrix} W∗X= f(1)f(2)⋮f(3072)
通过W*X 的出本轮训练的分数，这就是多层线性变化
五. 损失函数（Loss Function）
作用：衡量模型预测和真实标签之间的差异。
- 损失值越小，说明模型预测越准确。
- 设计灵活，可针对不同任务自定义。
损失函数 = 数据损失计算 + 正则化惩罚
例子
顺着上面的例子，我们的到了X* W的分数
那么，我们如何知道分数有多对，或则这个分数的准确率有多少，这里需要用到损失函数
我们可以拿到正确标签对应的分数，得到矩阵y
y i = y 1 y 2 ⋮ y 10 y_i = \begin{bmatrix} y_1 \\ y_2 \\ \vdots \\ y_{10} \end{bmatrix} yi= y1y2⋮y10
拿到 y 之后就可以分别带入到损失函数中，得到最终的结果：这个答案有多准确
正则化惩罚
损失函数得出的结果一样，也不认为这两个模型是一样的，我们还得考虑具体的权重参数
假设我们有两个W矩阵,假设这两个矩阵计算的结果相同 都为1 ,输入数据X
W 1 = 1 0 0 0 , W 2 = 0.25 0.25 0.25 0.25 \mathbf{W_1} = \begin{bmatrix} 1 & 0 & 0& 0 \end{bmatrix} , \mathbf{W_2} = \begin{bmatrix} 0.25 & 0.25 & 0.25& 0.25 \end{bmatrix} W1=1000,W2=0.250.250.250.25
X = 1 1 1 1 , \mathbf{X} = \begin{bmatrix} 1 & 1 & 1 & 1 \end{bmatrix} , X=1111,
W1 W2 经过损失函数计算都为 1
显然W2 的数据更加平稳，这样的数据说明再计算的过程中，神经网络最大程度上使不同数据的信息，而不是单独通过某一条数据进行判断
六反向传播（Backpropagation）
在训练神经网络时，计算每个参数（权重）应该怎么调整，才能让模型的输出变得更好（比如分类更准）的一种算法。
它是一层一层往回推，算出每个参数对最终误差（loss）的影响，然后用这些信息来更新参数。
简单说：
- 正向传播（forward）是：输入 -> 层层计算 -> 得到输出 -> 算loss。
- 反向传播（backward）是：根据loss -> 反推每一层 -> 算出每个参数的"改正方向"。
比如：
你有一张猫的图片，告诉神经网络"这是猫"。
神经网络一开始可能猜错，比如猜成了狗。
通过反向传播，它知道了："啊，我哪一部分参数错了，应该怎么调整"。
下次再遇到类似图片，它就能更准确地认出猫了。
每次训练，就是不停地：
- 正向推一遍 ➔ 算误差 ➔ 反向推一遍 ➔ 更新参数 ➔ 下一轮
训练很多轮后，模型就越来越聪明。