在某些时候，你也许曾问过自己，人工神经网络的参数的来源是什么？权重的目的是什么？如果不用偏差（bias）会怎样？
在本教程中，我们打算回答那些问题，我们从最简单的人工神经网络（ANN）做起，一直到复杂得多的模型。让我们从构建一个没有参数的机器学习模型开始，即Y=X。
然后，我们将逐步增加一些参数到模型中，直到我们建立了一个单个神经元，这个神经元被设计成接收一个或多个输入。接着，神经元从数学公式映射成图形形式。通过连接多个神经元，就能生成一个完整的ANN。读完本教程后，我希望权重和偏差的用途就能清楚明白了。
image.png
从最简单的模型 Y=X 开始
机器学习的基础部分其实非常简单。即使是完全的初学者也能构建一个基本的机器学习模型。所谓的监督式机器学习，它的目标是找到（即学习）一个函数，能够在输入和输出集合之间完成映射。等到学习过程结束，函数应该能对每一个给定的输入，返回正确的输出。根据下表给出的数据，我们来讨论如何完成一个最简单的目标。
有4组样本。每个样本有一个单一的输入以及一个单一的输出。观察了数据之后，我们需要准备一个函数来针对每一个给定的输入返回正确的输出，并使得误差最小。观察数据，我们明显发现输出Y跟输入X完全相同。如果X等于2，Y也等于2。如果X是4，Y也是4。
因此，我们需要的是一个函数，接收一个单独的输入X并返回一个单独的输出。这个输出跟输入相同。毫无疑问，函数是F(X)=X。为简单起见，我们用Y代替F(X)。于是，函数变成Y=X。
image.png
误差计算
找到合适的机器学习模型（即函数）后，我们需要对它进行测试，看看它能不能准确预测结果，是否还存在一定误差（error）。我们可以用一个简单的误差函数，根据下面的公式，计算出正确的输出与预测的输出之间的差的绝对值。它在数据样本中循环执行，对每一个样本，计算出正确输出与预测输出之差的绝对值，并最终对所有的差的绝对值求和，存入误差变量中。求和运算中的符号N表示样本的个数。
image.png
下表给出了计算的细节。根据这个表格，函数准确地预测了所有的输出，所以总误差为0。很棒！但是不要忘这我们做的只是纯入门的最简单的题目。在把题目改得更难一点之前，我要提一个问题。在每一个机器学习模型中，有2个主要环节，分别是学习（即训练）和测试。我们已经看到了最基本的测试环节。但是学习环节在哪里？在前面那个模型里，我们有没有做学习？答案是否定的。
image.png
学习意味着模型里的一些参数是在训练环节中从数据里学来的。前面那个模型的函数(Y=X)没有参数可学。函数只是把输入X与输出Y等同起来，没有中间参数来平衡两者的关系。在这种情况下，就没有了学习环节，因为模型是非参数的。“非参数”意思是说模型不需要从数据中学习参数。常见的非参数机器学习模型是K近邻算法（K-nearest neighbors， KNN）。
常数型权重
讲明白不用学习参数的原因后，我们来对使用的数据做一些修改。新数据如下表所示。你发现哪些改动了吗？其实很简单。每一个输出Y不再与输入X相等，而变成输入的两倍，即2X。我们还是用前面的函数（Y=X）预测输出并计算总的误差。
image.png
误差计算的细节在下面一张表格中。在这种情况下，跟前面的例子不一样，总的误差不是0，而是14。数据中误差的存在表明模型函数不能在输入和输出之间正确地映射。
为了减少误差，我们必须修改函数。问题是，我们改变函数里的什么东西，能够减少它的误差呢？函数只有两个变量X和Y。一个代表输入，另一个代表输出。这两个都不能改。最后结论是，函数是非参数的，所以没有办法对它进行修改以减少误差。
image.png
但是还有希望，如果函数目前还没有参数，为什么不添加一个或多个参数呢？你可以大胆采用能减少误差的方法去设计机器学习模型。如果你发现往函数里增加东西能解决问题，立马就加。
在新数据中，输出Y是输入X的两倍。但函数没有针对这个做修改，仍然用Y=X。我们修改函数，使得输出Y等于2X而不是X。现在我们得到的函数是Y=2X。使用这个函数之后，总的预测误差用下表来计算。总误差现在又是0了。不错。
image.png
在把2加到函数里之后，我们的模型变成有参数的了吗？不！模型仍然是无参数的。一个有参数的模型从数据中学习到参数的值。这里，参数值的计算与数据无关，所以说模型仍然是无参数的。刚才的模型用2乘以X，但是数值2与数据无关。所以，模型仍是无参数的。
我们把前面的数据用下表进行修改。
image.png
因为没有学习环节，我们能直接跳到测试环节，在这个环节里我们用最新的那个函数（Y=2X）来计算预测输出，然后计算出预测的误差。总的误差用下表进行计算。总的误差现在不再是0，而是14了。这是怎么回事？
image.png
解决这个问题的模型是建立在输出Y是输入X的两倍（2X）基础之上的。现在，输出Y不再等于2X，而3X了。因此，我们可以肯定误差会增加。为了消除这个误差，我们不得不改变模型函数，用3，而不是2。新的函数是Y=3X。
新的函数Y=3X会将误差重新调整为0值。但适用于处理先前数据的Y是X的两倍即Y=2X，在处理当下数据时会造成误差。所以，我们必须以X的3倍去调整总误差。在处理先前的数据时，我们还必须手动把倍数变为2。
看起来当每一次数据调整的时候，我们就必须手动调整模型。对这种烦人的情况，我们有一个解决方法。我们可以避免在函数当中使用常量，而用变量代替。这就是代数，一个使用变量多于常量的领域。
将权重作为变量
比起在函数中使用常量，比如Y=2X中的2或者Y=3X中的3，我们可以在y=wx当中使用w这个变量。这个变量的数值可以基于数据计算而来，因为这个模型涵盖了由数据计算得来的变量，所以模型可以说是有参数的。因为模型含有参数，在变量值可以计算的基础上，模型就有了学习步骤。这个参数就是人工神经网络中的一个神经元。接下来就看一下，当先前的数据符合y=2x这一规律时，模型是如何为参数w赋值2的。数据在下面已经给出。
将参数初始化为一个通常情况下随机选择的初始值，对于每一个参数值，总误差都是可以计算的。在一些参数值的基础上，我们可以决定减少误差的方向，这有助于参数值的最佳（最优）选择。
image.png
优化参数
假设参数w的初始值设定为1.5，我们现在的函数是y=1.5x，我们可以根据下面的表格在此函数基础上计算出总误差。总误差是8，因为这里存在误差，我们可以改变参数w的值。
但是目前我们不知道应该向哪一个方向改变参数w的值。我是说，哪一种方向更好？我们是应该增加还是减少这个参数的值？所以我们可以选择任何值，无论是比现在的1.5大还是小。
image.png
假设新的w参数值是0.5，那么新的函数是y=0.5x，我们可以在此基础上计算新的总误差得到21。比起之前的参数值1.5和结果8，总误差增加了。这就是我们往错误方向为参数值赋值的暗示。我们可以往数值更大的方向改变w的参数值，然后看结果有没有改善。
image.png
如果新的参数值是2.5，新函数是y=2.5x, 在这个函数的基础上计算总误差，计算结果可见以下表格，当总误差为7时，比之前参数值1.5和0.5两个案例的结果更优，所以我们应该为w赋比1.5更大的值，以减少总误差。我们可以接着为w增加赋值。
image.png
假设新的参数值是3，那函数就是y=3x, 在此基础上计算所得的总误差如以下表格中显示，为14。误差比之前更大。
image.png
为了对这种情况有更好的观察，我们可以在下表中总结先前选择的参数w赋值和与之相对应的总误差。可以看出减少误差的参数w的值域在1.5-2.5之间。我们可以在此范围内取值2，这个过程会测试持续更多的值，直到最终总结出2是可以达到最小可能误差的最优值。当函数为y=wx,当 w为2时，总误差为0。
image
这是针对于函数y=2x的数据，当y=3x时，我们可以重复以上过程为参数值为3的函数找到最优值。到目前为止，在人工神经网络中使用权重的目的已经很清晰了。
我们现在可以讨论偏移值了。为此我们需要修饰数据，新的数据已经在下表中给出。
image.png
偏差为常数
此数据与Y = 2X时使用的数据相同，但我们为每个Y值增加了1。我们可以测试前一个函数Y = wX，其中w = 2，并根据下面的表计算总误差。总误差为4。
image.png
根据我们之前的讨论，4的误差意味着wis的值不是最好的，我们必须改变它直到达到误差为0。但是在某些情况下，仅使用权重的话将不会达到0误差。这个例子是一个证据。
仅使用权重w，我们可以达到0误差吗？答案是否定的。在这个例子中只使用权重，我们可以接近正确的输出，但仍然会有错误。让我们更详细地讨论这个问题。
对于第一个样本，在等式Y = wX中w的最佳值是什么，它返回一个等于0的误差？这很简单。我们有一个包含3个变量的方程，但我们知道2个变量的值，即Y和X.这就省去了一个变量w，可以使用w = Y / X轻松计算。对于第一个样本，Y等于5，X等于2，因此w = Y / X = 5/2 = 2.5。因此，正确预测第一个样本输出的w的最佳值是2.5。我们可以对第二个样本重复相同的操作。
对于第二个样本，Y = 7且X = 3。因此，w = Y / X = 7/3 = 2.33。因此，正确预测第二个样本输出的w的最佳值是2.33。该值不同于与第一个样本一起使用的w的最佳值。根据第一个和第二个样本的w的2个值，我们找不到w的单个值来正确预测它们的输出。使用w = 2.5将在第二个样本中产生错误，使用w = 2.33将在第一个样本产生错误。
作为结论，仅使用权重，我们不能达到0的误差。为了解决这种情况，我们必须使用偏差。
通过在w和X之间的乘法结果中加1值可以得到0的误差。因此，新函数是Y = wX + 1，其中w = 2。根据下表，总误差现在为0. 很好。
image.png
偏差作为变量
我们仍然使用常量值1添加到wX。根据我们之前的讨论，在函数中使用常量值会使此值依赖于特定问题而非通用。
因此，我们可以使用变量，而不是使用常数1。因此，新函数是Y = wX + b。变量（参数）b表示ANN中的偏差。在解决问题时，我们现在有2个参数w 和 b来决定它们的最优值。这使问题变得更加困难。我们要求优化2个参数w（权重）和b（偏差），而不是仅仅找到权重w的最佳值。这需要花费比以前更多的时间。
为了找到2个参数的最优值，一个好方法是首先优化单个参数，直到达到最小可能的误差。通过更改此参数确保错误不再下降后，我们再开始优化下一个参数。
在优化参数w时将此策略应用于前一个示例，我们将注意到即使和w = 2有微小的偏差都会增加误差。这表示值2是参数w的最佳值，我们可以开始优化下一个参数b。
从数学形式到神经元的图形形式
此时，我们推导出具有2个参数的函数Y = wX + b。第一个是表示权重的w，第二个是表示偏差的b。该函数是ANN中接受单个输入的神经元的数学表示。输入为X，权重等于w。神经元的偏差为b。
通过将权重（w）乘以输入（X）并将结果与偏差（b）相加，神经元的输出为Y，其被视为与其连接的其他神经元的输入。神经元也可以表示为总结所有这些信息的图表，如下图所示。
在图中，您可以找到数学函数中的参数与神经元图之间的映射。只有一个地方需要注意。偏差被视为输入值为1的权重。这使得对于正常输入操纵偏差变得容易。
image.png
具有多个输入的神经元
到目前为止，权重和偏差的目的现在已经很明确，我们也能够以数学和图形的形式表示神经元。但神经元目前仍只接受单一输入。我们如何允许它支持多个输入？这也很简单。只需在等式中添加您需要的任何输入，并为每个输入分配权重。如果有3个输入，则数学形式如下：
关于图形形式，只需为每个输入创建一个新连接，然后将输入和权重放在连接上。这在下图中给出。通过连接这种形式的多个神经元，我们可以创建一个完整的人工神经网络。记住，整个过程的起点仅仅是Y = X而已。
image.png
乘积之和
在数学形式中，我们注意到重复了不同的项。这些项对应每个输入乘以其相应的权重。我们可以在求和运算符中汇总所有这些乘积。该操作符将返回每个输入与其相应权重之间的乘积之和。下面给出了神经元的新数学形式。注意，求和从0开始，而不是1.这意味着将存在权重（w）和具有索引为0的输入（X）。索引为0的权重将指向偏差b。其输入将始终指定为+1。
image
你也可以在求和完成后再加上偏差作为单独的一项（如下所示）。在这种情况下，求和从1开始。
image
结论
本教程提供了一个非常详细的解释，说明如何从一个非常简单的函数Y = X开始创建一个完整的人工神经网络。在整个教程中，我们探讨了权重和偏差的目的。此外，此教程在数学形式和神经元的图形形式之间进行了一一对应。
英语原文：https://heartbeat.fritz.ai/from-y-x-to-building-a-complete-artificial-neural-network-327da18894af
网友评论