符号主义

---

x：现实世界的输入（符号化）

f(x)：规则

y：根据规则完成一个解释输出！

例子：例如输入直角三角形的两个边长更具规则（勾股定理）来输出斜边的边长！

这就是人工智能早期的思想：符号主义！

问题：很多问题实在是想不出如何写成一个函数！例如：识别图片等！

联结主义

现在有一组数据:  

 

这组数据可以一眼看出准确的函数！下面这组数据呢？

 

 很明显这并不是能一眼就看出来。那就要用人类的方法去实现了，猜！

我们设:

 我们来猜测w和b的值我一点点的调试w和b如:

 

 一点点的贴近真实数据直到完全吻合！

但有的时候很难有完全吻合的函数，怎么办呢？

那就简化下问题，大差不差近似就行了！这就是现代人工智能的思路猜和简化问题，这就是联结主义。

激活函数

大多时候一个线性函数是无法近似出一组数据的。这时候就需要让这条直线弯一弯！我们就需要从线性函数进化到非线性。

如何把线性变成非线性的呢？

在函数的最外层套一层非线性的运算就行了。

 

这个套在外面的函数就是激活函数。把线性关系激活成变化能力更强的非线性关系。

之前我们仅仅有一个输入那就是x,但实际上呢往往就有很多输入！所以呢每一个x都要对应一个w：

 有的时候只套一层激活函数还是没有办法达到很好的效果，所以那就多套几层喽!让曲线的变化更加的灵活。把之前的当作一个整体在此基础上再进行一次线性变化

 

 通过这种方式理论上可以逼近任意的连续函数。

神经元

无限套娃下去，实在是太复杂了！于是：

我们把：变成

输入层只有一个x,输出层只有一个y

我们把x,y叫做神经元

神经网络

输入可能有多个

还可以在外面套激活函数！每套一层就相当于神经元水平方向又扩展了一个

上面那个公式的总体我们叫做神经网络。

 中间这一层就不再是最终的输出了，我们叫隐藏层。y对应的就是。

从x1，x2到y再到y1这个传播的过程就是神经网络的前向传播

神经网络的每一层神经元都可以无限增加！隐藏层的层数也可以无限增加！进而就可以构成一个非常复杂的非线性函数我们的，目的就是更具已知的机组x,y猜出使用的w和b。