作者：射命丸咲 Python 与 机器学习 爱好者
往期阅读：
从零开始学人工智能(16)--Python · 决策树（四）· 树
从零开始学人工智能(15)--Python · 决策树（三）· 节点
从零开始学人工智能(14)--Python · 决策树（二）· 节点
神经网络的数学部分可能会让许多人望而生畏，各种梯度的计算可能也会让人有些吃力
事实上……
确实如此。不过，如果静下心来好好推导一下的话，可能又会觉得它比想象中的简单
这一章我们要介绍的是算法中比较简单的前向传导算法，为此我们要先弄懂算法的过程。我们先来看两层之间的前向传导是怎么样的（以下除了偏置量 b 是数以外，其它变量都是矩阵）：
大概就是这个感觉。我们再把上面的过程写成数学语言就行：
其中各个矩阵的 shape 为（输入的数据个数）：
其中，做激活函数、也就是每一层自己 Duang 的部分。直观地说：
所谓激活函数，正是整个结构中的非线性扭曲力
也就是说，激活函数是神经网络之所以能够进行非线性扭曲的关键
那么w是什么？注意到
，也就是说，
线性扭曲后的结果。一般来说，可以把v叫做激活值
w的作用，就是将这个激活值线性映射到另一个空间上；b的作用，则是在这个基础上再进行一步平移操作
这里展开讲的会涉及到数学分析和高等代数的相关知识，个人觉得如果不是专攻理论的话可以不太在意背后的理论基础、而如果是相关专业的话我的能力也 hold 不住 。
以上就把两层之间的前向传导算法介绍完了。对于整个神经网络而言，只需要将上面讲的步骤不断重复进行即可。
稍微总结一下：
输入：“nXd"是矩阵 X，其中 n 是样本个数、d 是数据维数
逐层进行激活，一路向前传导：
将输入该层的数据通过激活函数φ行非线性扭曲
将扭曲后的结果通过层与层之间的权重w性映射到另一个空间上、同时可以通过偏置量b进行一个平移
将最终结果传给下一层作为下一层的输入
下一章就要讲 BP（反向传播）算法了。BP 是神经网络训练的核心、推导也会稍微复杂一点，但是对于最简单的情形（梯度下降），如果按部就班地算的话、可能会发现其实不过如此
希望观众老爷们能够喜欢~
公众号后台回复关键词学习
回复 人工智能 揭开人工智能的神秘面纱
回复 贝叶斯算法 贝叶斯算法与新闻分类
回复 机器学习 R&Python机器学习
回复 阿里数据 阿里数据系列课程
回复 Python Python机器学习案例实战
回复 Spark 征服Spark第一季
回复 kaggle 机器学习kaggle案例
回复 大数据 大数据系列视频
回复 数据分析 数据分析人员的转型
回复 数据挖掘 数据挖掘与人工智能
回复 机器学习 R&Python机器学习
回复 阿里数据 阿里数据系列课程
回复 R R&Python机器学习入门
