一臺簡單的預測機

讓我們先從構建超級簡單的預測機開始。

現在我們帶入場景，你就是一臺計算機，現在“人類”讓你做一件事，你的思維應該是什麼樣子的，是不是應該是：

有問題 ->思考方法->解決問題（答案）

但？這是人類的思維，你應該是計算機，角色錯了。

你的思維不應該是： 輸入值 ->計算值->輸出值

這樣你才像計算機啊，一個無情的機器，不停的計算著出入的值，也不停的輸出計算後的值。

經過上面的思維板證，你現在應該是一個完美的計算機了，接下來，我們試著計算一些資料來驗證這個思維：

3 X 4 = ？

因為你是計算機，你只能用自己“笨拙”的想法去計算“3 * 4”，無非就是 4 + 4 +4，兩者結果是一樣的，但是後者對於你來說，幾乎沒什麼深層的邏輯（不要否定乘法不難，對於計算機來說那是“破天荒”）。

你已經開始神經網路程式設計了……

上面的案列已經解決了一個簡單的問題，感覺神經網路就這？！太簡單了吧，

沒關係，現在我們把難度提高，讓他稍微複雜一些，解決進位制轉換的問題：

將測量距離單位“千米”轉換成“英里”。

這個問題，人類就需要給我們更多的提示（程式）了，因為我沒法進行簡單的相加就可以得到結果；

我們使用以下兩個案例來觀察一下，

千米和英里是什麼關係，因為我們的笨拙，我們只能看到他們存在一定的“線性關係”，因為隨著千米的變大，英里也變大了。

那我們就沿著這條線索走下去，我們假設他們的關係是這樣的：英里=千米×C C為常數。

開始！

C = 0.5 看看會怎麼樣。

很顯然，結果不是我們想要的，因為和預想的結果差了一點，我們預想的結果應該是62.137，但輸出來的結果是50，中間差了62.137 -50 = 12.137。

雖然結果不對，但是我們欣慰的是，結果沒有差很大（絕對地安慰自己）。

我們的第一步獲得一個結果，同時也會獲得一個誤差，這個誤差可以展現出一件事情：我們和真實的結果還有多遠。

C = 0.6 接下來，我們繼續努力，再去試一次：

這一次呢，我們又獲取了一個結果和一個誤差，分別是 60 和 2.137 ，這次我們做個不錯，感覺有希望了，因為誤差從原來的 12.137 到現在的 2.137，小了很多，我們趁著“革命熱情”未退，繼續……

C = 0.7 我們更近一步，把 C 再往上調一下：

結果好像不是很好，因為誤差比上次大了，現在是 -7.863 了，出現了負數，這代表什麼，代表我們超了，有點過頭，我們需要減一下，那我們就減一下吧。

C = 0.61 比第二次多一丟丟，生怕超了，

這次的結果讓我笑開了花，誤差出現了至今的最小值，感覺我們還可以繼續，勝利就在前方，可以告訴你的是，我們的確可以繼續，但是我們就不探討剩下的過程了，無非就是調節引數，不停的接近結果。

無論你是否相信，我們剛剛所做的，就是走馬觀花地瀏覽了一遍神經網路中學習的核心過程。我們訓練機器，使其輸出值越來越接近正確的答案。

現在你去想一件事情，為什麼不直接給一個公式，直接套取結果呢，而是在不停的修改引數去接近這個結果，但是我們人類的智慧不也是這樣，一直在不停的修改，從一開始的地球中心說，到宇宙論，從地平說到地圓說，從一個簡簡單單的計算機到聞名世界的打敗人類圍棋高手的AlphaGo（阿爾法狗），一些人將這種方法稱為迭代，意思是持續地、一點一點地改進答案。

總結：

所有有用的計算機系統都有一個輸入和一個輸出，並在輸入和輸出之間進行某種型別的計算。神經網路也是如此。當我們不能精確知道一些事情如何運作時，我們可以嘗試使用模型來估計其運作方式，在模型中，包括了我們可以調整的引數。如果我們不知道如何將千米轉換為英里，那麼我們可以使用線性函式作為模型，並使用可調節的梯度值作為引數。改進這些模型的一種好方法是，基於模型和已知真實示例之間的比較，得到模型偏移的誤差值，調整引數