使用浴室水龙头教授神经网络的基本概念
他们说最好的主意有时会在您洗澡时出现，而这种关于如何解释两个重要的神经网络概念（反向传播和随机梯度下降）的想法实际上是在我尝试设置完美水时出现的。我早上洗澡的温度。
当我在努力调节两个淋浴器手柄时（一个控制可热吹的手柄，另一个控制可快速冷冻的手柄），我发现我是一个简单的神经网络（尽管有“ Snow Miser / Heat Miser ”这首歌）穿过我的脑袋）。我正在使用反向传播将期望水温与实际水温之间的误差反馈给我的两个处理的神经网络，并通过随机梯度下降来确定调整这两个控制柄的超参数的程度。
虽然我不希望普通人编写自己的神经网络程序，但您对这些先进技术的工作了解得越多，您就越会做好充分的准备，来确定在哪里以及如何利用AI，机器学习和深度学习学习技术以发现有关客户，产品和运营洞察力的新的经济价值来源
神经网络基本概念回顾
让我们回顾一下基本概念：
反向传播是一种基于数学的工具，可通过逐步调整权重直到期望的模型结果与实际模型结果匹配来提高神经网络预测的准确性。反向传播解决了寻找最佳权重以提供最佳预期结果的问题。
随机梯度下降法是一种基于数学的优化算法（在微积分中认为是二阶导数），用于通过沿梯度的负值（斜率）定义的最陡下降方向迭代移动来最小化某些成本函数。梯度下降可将模型结果的误差推回到权重中，从而指导对神经网络模型的权重进行更新。
图 1：“ 神经网络： 元学习是新的黑人吗？”
我的神经网络水龙头课更详细
水龙头神经网络的目标是通过调整水龙头（模型）的超参数（权重和偏差）来找到我的最佳水温。 我将用双手测量实际结果与期望结果之间的误差，然后将误差（误差大小和方向）反向传播回水龙头神经网络，以调整热手柄和冷手柄的“重量和偏差”。 我将使用反向传播的神经网络概念来确定预期模型结果与实际模型结果之间的误差，并使用随机梯度下降来确定调整模型参数（水龙头）的数量以消除误差（参见图2）。
图 2：浴室水龙头神经网络和调整冷热水龙头的重量和偏差
在图3中，我的手确定或测量了误差–误差的大小和方向–在预期模型结果与实际模型结果之间：炽热（热气），中热，微热，微冷，中冷，冷酷（Snow Miser ）。
图 3：测量/确定实际结果与最佳结果之间的误差
我继续使用随机梯度下降法测量将温度误差反向传播回水龙头（模型）的大小和方向，以确定调整模型参数（水龙头设置）的程度，直到获得理想的结果/结果为止（见图1）。 4）。
图 4：将误差反向传播回神经网络模型以调整模型权重
了解神经网络的基本概念
尽管神经网络如何工作的实际机制要复杂得多（很多数学和微积分），但基本概念确实并不难理解。 而且，您对这些先进技术的工作方式了解得越多，您就准备得越充分，就可以确定在何处以及如何利用AI，机器学习和深度学习技术来发现有关客户，产品和运营洞察力的新的经济价值来源。 也许，也许是，当您发现这些新的经济价值来源时，您可以和我一起合唱“我是Heat Miser先生……”
资料来源：“ 30首著名的圣诞歌曲歌词 ”
对于那些感兴趣的人，这是我的视频，解释了水龙头神经网络（是的，我知道我需要清洁灌浆）。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！