神經網絡處理啥

咱們常常據說，圖像識別或圖像生成須要用到神經網絡。

也常常據說，神經網絡就是將大數據分類的一個技術，利用原始數據進行模型訓練，直至生成可靠的分類器。

而這模型的基礎架構就是利用，對基礎輸入，進行卷積計算，與「線性」權重組合而成的神經網絡。

此後，利用對測試集的類似度對比，即距離，獲得一個是非集。

但是，卷積到底卷得啥？這是個仁者見仁，智者見智的問題。

對於深度學習中圖像處理相關的課題，目前主流科研及應用技術，大多卷積實際上是卷的圖像原始數據，好比說，一張10*10的黑白圖像，輸入即長度爲100，值爲0或1的數據。

咱們能夠用笨方法來，對每一個值進行一個權重。也就獲得了一個長度爲100的權重w數組。
而後將經過卷積計算模型的output，一般爲一個實數，與數據庫中的已有圖像進行對比，算出一個距離d，當d知足閾值時，就能夠出結果了。

這時候你會迷惑，在不斷經過模型的過程當中，我要如何調整權重，以達到逐漸逼進的效果呢？這要利用梯度函數，找到極值，來判斷應該降低仍是上升權重。這時候咱們不妨定義錯誤結果和正確結果之間的差距是一個損失函數，經過對權重們求導判斷當前結果在一般爲二次函數的曲線上是在哪一個位置，因爲要最小化loss，因此須要往極值處努力。

這只是個抽象的思路，我看過的書目中講述得也不是很具體。因此算法極可能完全弄反了。但我認爲這纔是其中的精粹的部分。具體實現原理我會在後期對比書目去寫，就不在這空談誤國了。