从【线性拟合】到【神经网络】

15195775117

上中学时，我们就学过用直线：y=k*x+b 来拟合散点，利用最小二乘法，我们计算出误差最小的（k，b）。

进入大学，学会了编程，了解到拟合复杂散点，可以同时选择多项式函数、指数函数、三角函数、对数函数，数学库会自动帮你把系数配好，一条优美的曲线穿插在散点之间，美妙至极！
但是，当下的数学库，也不是无限强大的，很需要人的干预，
例如，很早的时候，激光雷达反演云信息是用指数模型，怎么研究都不对，这可不嘛，指数模型太生硬了，后来又改进成了先验模型，准确性才提升。
我们需要根据经验，来选择数学库，选择数学模型，
比如，找最短路径就用蚁群算法，飞行时间质谱就用蒙特卡洛算法，等等，
而神经网络最妙的地方，是它会帮我们想办法建模，
它会根据数据，自动帮人“拟合”出最接近实际的“函数”，


有书中写道：
与传统的“参数模型方法”相比，神经网络算法不需要对问题模型做任何“先验假设”，是数据驱动的自适应技术！
对于规律不清、规律难以描述、规律过于抽象，但却有不少观察数据的问题，神经网络算法可以获取其函数关系。
它具有极强的通用性，也是普适的“函数逼近器”，能以任意精度逼近任何连续函数！

图像处理领域：

传统识别算法需要对图像进行复杂的特征提取和数据重建，多维图像更为复杂，

但是这些庞杂的预处理工作，对于卷积神经网络CNN是不存在的！

CNN是为识别二维形状而特殊设计的一个多层神经网络，

这种网络结构对于平移、缩放、倾斜等等变形具有“高度不变性”！

所以，在模式分类领域，CNN很有优势！

当你还在反复计算、观察、建模、定义概念的时候，
数据从神经网络一走，结果就出来了，多么惊人！


大自然的造化果真奇妙，神经网络的结构看似简单，却能包涵无上的智慧！