该学习笔记是观看下列视频所作，猛推，笔记有什么不对还请海涵指出https://www.bilibili.com/video/BV1M2UVBuEri?spm_id_from=333.788.videopod.episodes&vd_source=647b973f96e83d98bab38b26a3afe26c&p=2
从目的出发，为的是做什么呢，我输出一个东西，他能输出我想要的结果即可。则可以理解为，实际工作是为了预测下一次的输出结果，那怎么预测呢，是不是得寻找里输入和输出之间的关系，咋一看，这不就是函数吗，这也就回顾到人工智能最初的一个思想，符号主义，一切皆可用函数来实现。现在的问题就转化为，如何寻找一个这样准确的函数，可以精准的反馈这里的转化关系
向量化（Embedding）
在讨论函数之前，先提及函数数据处理转化过程，首先，我们先明确一个目标，大白话来讲，就是为了讲不同数据包括他所代表的含义转化统一性，标准的可计算数据。那么向量化具体是什么呢？
那向量长什么样子呢，如图，下面的就是对向量的矩阵化表达式
弄清了向量是什么样子之后，那这个东西是怎么处理成出来？以文字为案例，"我" -> 向量 ？？？ 有一个很简单粗暴的方式，直接一个数字代表一个文字，例如： 我：123 ，是：456，你：789..
但是，弊端也随之出现，文字和向量之间没有具体的关联性，单一维度不能表达过多的含义。维度不够那就加维度，使用Word2Vec可以将输入的文本转化成具体的向量，具体可以先查看这块相关视频了解一下。
函数 -> 神经网络
从一个简单的例子入手，我们所要寻找的函数就是如同上述图片的一类同属，输入a和m，经过牛顿第二定律转化，得到结果F。等比，输入一张图片，比如一张狗的图片，经过函数，得到结果，这个是狗的图片。这两个例子思想上是相似的。那，函数里面的具体怎么得出来呢？
如果给你下面这样一组数据，让你求出里面的函数关系：f(x) = y
x:[1,2,3,4,5]
y:[1,2,3,4,5]
是的，肉眼可以直观看出，这就是一条直接经过原点的直线 y = x，当然，也可以通过绘制xy坐标轴来求解答案,同理，我们最初的一个问题，也可以利用这个思想去解决。y = x ----> y = 1 * x + b
这样就可以收缩成一个线性问题，从原本的求解f(x) = y的f() 转化为求线性方程的y = xw + b 中的w 和 b ，给你一组数据，调节w和b可以快速定位到符合规律的方程。
但是，数据分布并不是这么好呢，如同下面这个，怎么都涵盖不到具体的数据！！！！
既然做不到完全精致，那就妥协吧，数据差不多在周边就行了，
这也就是人工智能从符号主义 -> 联结主义
继续回到寻找函数的问题，普通的线性函数实际上是很难满足到复杂的数据分布，例如下面的图表
这就得将原本的线性方程转成为非线性方程，例如sin，cos， e，平方等等....这种在原本的线性函数上再套一层函数，这一层函数称激活函数g() =====> f（x） = g(wx + b) 。 有了激活函数，理论上，可以涵盖到如何一个数据关系，一个激活不行，就再套一个激活函数，无线套娃，一直写下去
但是一直这么写，还挺麻烦，所以，可以统称为f(x)：输入层， g(wx+b) 为输出层，这样可以描述为一个神经元（不等同现实神经元）
从上图来看，输入变量只有一个，输出转化也只有一层，套娃的机制不会停止，一个个神经元也就是构成了神经网络，理论上，每一层都可以无线添加。
上述便是函数和神经网络之间的关系
还在写。。。。