前言
人工智能是什么呢？是让机器具备人的思维和意识 的一门技术。
比如：让机器在生活中识别出那只是小狗，那只是小猫；或者让机器预测一下股市的情况，看看哪些股票有较大概率会升；平常我们使用支付宝进行人脸识别付款，手机通过摄像头获取脸部的图像信息，经过神经网络模型识别出我们。
我们平常说的神经网络训练模型，其中的神经网络是人工模拟出来的，模仿人体大脑中的神经元连接关系，实现感性思维。
大脑
我们的大脑是在长期进化过程中发展起来的思维和意识的器官。它是由多个神经元互相连接形成的网络；一个神经元从其他神经元接收信号，也向其他神经元发出信号，网络上的信号的流动来处理各种各样的信息的。
单个神经元
神经元主要部分包括树突、细胞体、轴突。树突是从其他神经元接收信号的；轴突是向其它神经元发送信号的；细胞体会处理从树突接收到的信号，经过处理分析，决定是否向其他神经元传输信号。
神经元的处理信号的流程：
假设一个神经元从其他多个神经元接收了输入信号
1）这时如果所接收的 信号之和比较小，没有超过这个神经元固有的阈值，这个神经元的细胞体就会忽略接收到的信号，不做任何反应。
试想一下如果神经元对于任何微小的信号都变得兴奋，神经系统就将很敏感，遇到小小刺激就要做出反应，那不是很累很没必要？而且造成我们的情绪不稳定。
2）如果输入信号之和超过神经元固有的阈值，细胞体就会做出反应，向与轴突连接的其他神经元传递信号，这称为点火。
这里要注意的是：点火时从轴突向其他神经元传递的信号值是固定的，即便从邻近的神经元接收到很大的刺激，或者轴突连接着其
他多个神经元，这个神经元也只输出固定大小的信号。
我们在搭建（人工）神经网络结构时，需要考虑到神经元这个特征；
再看一下神经元工作的逻辑：
关键点：
- 输入信号：如果输入信号一共有n个，即：x1, x2,··············, xn；比如输入端只有2个，即x1, x2
- 求和：简单的求和，是直接把输入的信号量相加；但是通常使用权重求和，因为每个输入端的来源是不一样的，根据不同情况，设置好权重w的值，然后权重求和：x1*w1+ x2*w2+··················+ xn*wn。然后可能疑惑，那我怎么知道给每个输入端的权重w设置什么值啊，这个不用担心，我们在训练神经网络后，会得到最优的权重w值。
- 激活函数：负责将神经元的输入映射到输出端；激活函数给神经元引入了非线性因素，使得神经网络可以任意接近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。那为什么要非线性？？现实生活中的数据往往不是线性可分的，面对这样的数据，一般有两个方法：引入非线性函数、线性变换。
举个例子：（权重求和+阈值）
现在有两个神经元，神经元1的输入变量为x1，权重为w1；神经元2的输入变量为x2，权重为w2；神经元的阈值为 θ。
当w1=3; w2=7; θ=9; 通过权重求和（x1*w1 + x2*w2）的值和阈值为 θ对比，
- 如果（x1*w1 + x2*w2）>=θ，说明会点火（细胞体通过突触发送信号到其他神经元）；输出量y=1；
- 如果（x1*w1 + x2*w2）< θ，说明不会点火（不作反应）；；输出量y=0；
输入变量为x1 | 输入变量为x2 | 权重求和（x1*w1 + x2*w2） | 点火 | 输出量y |
0 | 0 | 0*3 + 0*7 =0；0 < θ | 否 | 0 |
0 | 1 | 0*3 + 1*7 =7；7 < θ | 否 | 0 |
1 | 0 | 1*3 + 0*7 =3；3 < θ | 否 | 0 |
1 | 1 | 1*3 + 1*7 =10；10 >= θ | 是 | 1 |
神经网络（Neural Network，NN）
我们已经知道大脑是由神经元构成的网络，如果我们模仿着创建神经单元的网络，是不是也能产生某种“智能”呢；还真是呀🐷
神经网络是由多个神经元相互连接而成的；神经元之间是会进行信息交流的。
神经元之间进行信息交流：神经元的输入来自其他多个神经元的信号之和；
如果这个信号之和超过神经元固有的阈值，就会向与轴突连接的其他神经元传递信号。在一个神经元中即使有多个输出端，其输出的值也是同一个。神经元之间相互连接通信形成网络，产生不可思议的智能，于是人工神经网络它来了。
人工神经网络（Artificial Neural Network，ANN）
是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
它具备学习功能；神经网络已经被用于解决各种各样的问题，例如：机器视觉和语音识别。
我们看看人工构建的神经网络：
一个神经网络通常包括输入层，隐藏（含）层，输出层；其中隐藏层也被称为中间层。（以下是简单的说法）
- 输入层会获取数据（比如，在猫狗识别中识别中，我们就输入一张图片，那么这里输入层是一个神经单元）；
- 隐藏层会实现我们想要的功能（其中有转化、映射、提取学习等处理过程）；
- 输出层会有我们想要的结果（比如，在猫狗识别中，判断是猫的概率有多大，是狗的概率有多大；这样输出层有2个神经单元）
下面图1中，输入层有4个神经单元（输入4种/类数据）；隐含层有3个神经单元；输出层有2个神经单元（说明输出2类）
注意：通常生物学术语“神经元”，人工神经网络中使用“神经单元”这个称呼。
专业一些的说法：
输入层 （Input layer）负责读取给予神经网络的信息。属于这个层的神经单元没有输入箭头，它们是简单的神经单元，只是将从数据得到的值原样输出。
隐藏层 （Output layer）在神经网络中，这是实际处理信息的部分。这层的神经元数目越多神经网络的非线性越显著，从而神经网络的强健性（控制系统在一定结构、大小等的参数摄动下，维持某些性能的特性）更显著。习惯上会选输入节点1.2至1.5倍的节点。
输出层 （Hidden layer）数据在神经元链接中传输、分析、权衡，形成输出结果；从而显示神经网络计算出的结果。
它能做什么能？
人工神经网络是一个能够学习，能够总结归纳的系统，也就是说它能够通过已知数据的实验运用来学习和归纳总结。它能够推理产生一个可以自动识别的系统。
它是怎么学习数据中规律知识的呢？
我们首先准备大量的数据，数据经过处理后输入到神经网络；让神经网络预测输出的结果，如果它预测得比较好（正确）那么就给它一些奖励，这里奖励是通过调整“神经元连接的权重”和“神经元的激励值”来实现的。
比如：预测正确了，那么加大这条路线的权重；给它神经元的激励值；
举个例子，下面从输入层x1到输出层y1中是有许多条路的，其中只有一条是正确预测输出y1的；那么我们就给它奖励，比如原来w1=0.3, w22=0.4, w31=0.37 ，增加为： w1=0.5, w22=0.6, w31=0.57 。同时其他预测失败的路线，给它们惩罚，减少w权重；
这样不断迭代下，w1, w22, w31 会不断增加；当某一条路的权重很小很小，我们认为这边条没有必要走了；输出结果预测正确的的概率会升高。
在过程中不断调整神经元连接的权重”和“神经元的激励值”，其实也叫校正。通过训练样本的校正，对各个层的权重进行校正（learning）而建立模型的过程，称为自动学习过程。
学习的最终我们能得到什么呢；
能得到各个神经单元的最优权重，最优激励值，最优偏置（这个后面讲）等；简单来说是训练好的模型，其实就是在搭建好神经网络的结构后，得到网络中最优参数（权重、偏置等），使得能较高的准确率来实现某个功能。
学习规则（Learning Rule）
网络中的权重如何随着时间推进而调整；一般情况下，学习规则依赖于神经元的激励值。它也可能依赖于监督者提供的目标值和当前权重的值。
例如，用于手写识别的一个神经网络，有一组输入神经元。输入神经元会被输入图像的数据所激发。
在激励值被加权并通过一个函数（由网络的设计者确定）后，这些神经元的激励值被传递到其他神经元。这个过程不断重复，直到输出神经元被激发。最后，输出神经元的激励值决定了识别出来的是哪个字母。
怎么使机器具有思维和意识？
在机器中搭建人工模拟神经网络模型，通过训练的到一个最好的模块，然后保存好模型供下次直接使用。
神经网络--应用流程
- 准备数据：采集大量“特征/标签”数据；
- 搭建网络：搭建神经网络结构；
- 优化参数：训练网络获取最佳参数（反传）；
- 应用网络：将网络保存为模型，输入新数据，输出分类或预测结果（前传）。
例如，输入不同猫的图片，并备注这张图片是猫；搭建输入层为4个神经单元（猫的4种特征）；隐藏层是3*2的拓扑形状的神经单元组成；输出层是2个神经单元组成（代表：是猫，或不是猫）。
什么是“前传”呀，前面都没说到呀？“前传”即前向传播，数据由输入层经过隐藏层走到输出层，方向从输入层到输出层；
那什么是“后传”呀？“后传”即后向传播，也叫反向传播，缩写为BP，是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，简单来说是降低神经网络的误差，修正权重值等参数的；方向从输出层到输入层；
实际应用--鸢尾花识别
后续............
