何謂 Artificial Neural Network?

圖源自: towardsdatascience.com

概要

Artificial Neural Network(ANN) 是類神經網路當中的基礎元素，裡面有幾個名詞是你會一直聽到而且需要寄起來的，activation function(激勵函數)/ cost function(損失函數)/ gradient descent(梯度下降)/ back propagation(逆推)/ overfitting(過度擬合)，這些名詞會在稍後的文中慢慢補齊與介紹，學會 ANN 這個基本元素之後，就可以去了解更多層次的內容，也就是現在大家常提及的 Convolutional Network(CNN)/ RNN/ LSTM/ GAN 等。

應用說明

Convolutional Neural Network(CNN): 目前最常被應用在圖像辨識上的架構，可以讓電腦學會如何分辨動物，當我給電腦照片時，他可以回答我這是狗還是貓，而且正確率還可以高達 97%

圖源來自: Dzone

Recurrent Neural Network(RNN): 為一種用在處理 Series data 的神經網路。例如說文字是一種序列數據，我們可以藉由 RNN 的架構，來幫助我們預測下一段文字，這個功能已經在 email 上可以看到了，而且還有推薦功能。

圖源自: Orielly media

LSTM: LSTM — Long term short term Memory, 具有長短記憶的神經網路, 是一種為了解決長序列不容易遺忘過去的一種架構，這可以適用於股票，藉由過去這家公司一年來的表現，來推測出他下一期是上漲是下跌。

圖源來自: datacamp

GAN: 生成對抗網路，超級炫砲的東西，主要是由兩個 CNN 所組成，可以讓電腦自己產生畢卡索的畫像，運作機制是這樣，一個 CNN 負責製造資料，另一個 CNN 負責檢驗資料是否合理。例如說：讓這個 CNN 學習怎麼畫一匹馬，接著另一個 CNN 負責跟他說：「誒，你這匹馬有太多眼睛了喔」，像這樣。

圖源來自: CycleGANBlog

ANN 介紹

假設我們想要看明天台中會不會下雨好了，這時候我們最常做的事情就是打開手機去看天氣app，這時上面寫說高達 61% 的下雨機率，但你明天其實有規劃出門，所以你會想要看到下雨機率比較低的數字，於是乎，你又打開了 google 在關鍵字打上「台中 天氣預報」，這時上面的數字為 47%，不死心的你接著打開氣象局預報，最後你找到了 83% 的數字，你心裡想一想，就先相信氣象局的吧，於是打電話跟朋友取消了明日的行程。結果天氣大好，這時候你就不怎麼相信氣象局的資料了，反而覺得原先的兩個還比較可信，這個就是 ANN 的精神了。

圖源來自: good audiance

見上圖，左邊的線條就是代表著各種氣象資訊來源，你也可以想像成氣象站，接著對於哪幾個的相信程度到哪邊，上面就給了幾％的信心程度，也就是權重值，然後加上雜訊，也就是 bias，最後經過一個 activation function ，這就是結果了。

Activation function(激勵函數)介紹

什麼是 activation function 呢？激勵函數是一個連接現實世界跟數位世界中間的橋樑，就拿剛剛的氣象資訊來說好了，[w1, w2, w3] = [0.3, 0.7, 0.1]，[x1, x2, x3] = [4, 1, 3] ，如果這個值，y = w1*x1 + w2*x2 + w3 * x3 + b 沒有 > 1 的話，我們就說明天不下雨，反之，就認為明天會下雨。這裡會有個 threshold

圖源來自: intmath

我的結果需要 > 1 ，也就是落在點上，才會下雨。好，那如果我們將結果改成機率來看待的話呢？例如說： 0.65 或是 0.32 或是 0.45 等，才說是不是會下雨

圖源來自: good audience

這個 function 就叫做 sigmoid ，你可以得到一個比較 gentle 的結果

圖源來自: good audience

那這個就是常聽到的 activation function，Relu，就是大家近期發現效果很好的激勵函數。

Cost function(損失函數)介紹

Cost function 是機器學習當中很重要的一項技藝，他量化了 Neural Network 應該出來的值與 Neural Network 現有的值。例如說：我這張照片上面是一隻狗，我出來的判斷結果就應該是狗，結果回傳結果是貓，這樣就不對了。這就代表我們的模型訓練的判斷程度還不夠，例如說這次出來我模型只有 79% 的正確率，我使用 MSE(Mini square error) 作為我描述預測的模型，下一次 Neural Network 學習到的新結果會反映在這上面，另外一個常用的 cost function 為 cross-netropy

Gradient descent(梯度下降)介紹

那我們要怎麼從錯誤中學習比較好的結果呢？這時候就必須派 gradient descent 上場了，他的用一是在尋找最低的 cost function

圖源來自: Oriely med

backpropagation介紹

我們在 Gradient descent 已經有修正出來的結果了，現在我們要把欲修正的資訊推送回到 Neural Network ，這時候就是使用 backpropagation，他會一層一層地把值慢慢修正回去，就像是波一樣。

截至目前為止，將會是你在學習 Artificial Neural Network 時會接觸到的必備知識與常見名詞，之後我們會接著繼續談更多狀況。