闲来无事不小心发现一个好玩有适合神经网络初学者的工具。google的神经网络Tensorflow游戏场，通过拖拽就可以选择特征，配置权重，配置隐藏层等，下图是通过左侧点集的点位置(x1,x2),算出点集的蓝色和橙色区域：
地址
有意思的反思：我从大二起就在公司实习一直到研究生、工作，先后接触了电子设计，嵌入式软件设计，嵌入式系统开发，linux系统开发和驱动开发，java后端设计，C#客户端开发，app及前端开发，数据仓库，大数据调研及数据分析，机器学习以及计算视觉等工作，可谓是一路追赶时代口号的发展，每一次技术的转行吧，都会有深深的迷茫，回过头来不禁发现，其实无论技术的怎样变迁，都是为了解决现有的商业问题，所有看似前端的技术，无论是20年前的嵌入式还是现在的人工智能，大数据什么的，都是解决问题的一个工具而已。不同于当时读博的是，商业上是定义问题然后解决问题，进而实现价值，卖出去，收钱；读博士找到一个感兴趣的问题，然后解决的，发论文毕业。
TensorFlow游乐场的左侧提供了4个不同的数据集来测试神经网络。默认的数据为左上角被框出来的那个。被选中的数据也会显示在上图中最右边的“OUTPUT”栏下。在这个数据中，可以看到一个二维平面上有黑色或者灰色的点，每一个小点代表了一个样例，而点的颜色代表了样例的标签。因为点的颜色只有两种，所以这是一个二分类的问题。在这里举一个例子来说明这个数据可以代表的实际问题。假设需要判断某工厂生产的零件是否合格，那么灰色的点可以表示所有合格的零件而黑色的表示不合格的零件。这样判断一个零件是否合格就变成了区分点的颜色。
为了将一个实际问题对应到平面上不同颜色点的划分，还需要将实际问题中的实体，比如上述例子中的零件，变成平面上的一个点①。这就是特征提取解决的问题。还是以零件为例，可以用零件的长度和质量来大致描述一个零件。这样一个物理意义上的零件就可以被转化成长度和质量这两个数字。在机器学习中，所有用于描述实体的数字的组合就是一个实体的特征向量（feature vector）。特征向量的提取对机器学习的效果至关重要。通过特征提取，就可以将实际问题中的实体转化为空间中的点。假设使用长度和质量作为一个零件的特征向量，那么每个零件就是二维平面上的一个点。TensorFlow游乐场中FEATURES一栏对应了特征向量。在本例中，可以认为x1代表一个零件的长度，而x2代表零件的质量。
特征向量是神经网络的输入，神经网络的主体结构显示在了上图的中间位置。目前主流的神经网络都是分层的结构，第一层是输入层，代表特征向量中每一个特征的取值。比如如果一个零件的长度是0.5，那么x1的值就是0.5。同一层的节点不会相互连接，而且每一层只和下一层连接，直到最后一层作为输出层得到计算的结果②。在二分类问题中，比如判断零件是否合格，神经网络的输出层往往只包含一个节点，而这个节点会输出一个实数值。通过这个输出值和一个事先设定的阈值，就可以得到最后的分类结果。以判断零件合格为例，可以认为当输出的数值大于0时，给出的判断结果是零件合格，反之则零件不合格。一般可以认为当输出值离阈值越远时得到的答案越可靠。
在输入和输出层之间的神经网络叫做隐藏层，一般一个神经网络的隐藏层越多，这个神经网络越“深”。而所谓深度学习中的这个“深度”和神经网络的层数也是密切相关的。在TensorFlow游乐场中可以通过点击“+”或者“-”来增加/减少神经网络隐藏层的数量。除了可以选择神经网络的深度，TensorFlow游乐场也支持选择神经网络每一层的节点数以及学习率（learning rate）、激活函数（activation）、正则化（regularization）。如何使用这些参数将在后面的章节中讨论。在本文中都直接使用TensorFlow游乐场默认的设置。当所有配置都选好之后，可以通过左上角的开始标志“”来训练这个神经网络。
那么如何解读TensorFlow游乐场的训练结果。在上图中，一个小格子代表神经网络中的一个节点，而边代表节点之间的连接。每一个节点和边都被涂上了或深或浅的颜色，但边上的颜色和格子中的颜色含义有略微的区别。每一条边代表了神经网络中的一个参数，它可以是任意实数。神经网络就是通过对参数的合理设置来解决分类或者回归问题的。边上的颜色体现了这个参数的取值，当边的颜色越深时，这个参数取值的绝对值越大；当边的颜色接近白色时，这个参数的取值接近于0。
每一个节点上的颜色代表了这个节点的区分平面。具体来说，如果把这个平面当成一个卡迪尔坐标系，这个平面上的每一个点就代表了（x1，x2）的一种取值。而这个点的颜色就体现了x1，x2在这种取值下这个节点的输出值。和边类似，当节点的输出值的绝对值越大时，颜色越深。下面将具体解读输入层x1所代表的节点。从上图中可以看到x1这个节点的区分平面就是y轴。因为这个节点的输出就是x1本身的值，所以当x1小于0时，这个节点的输出就是负数，而x1大于0时输出的就是正数。于是y轴的左侧都为灰色，而右侧都为黑色。上图中其他节点可以类似的解读。唯一特殊的是最右边OUTPUT栏下的输出节点。这个节点中除了显示了区分平面之外，还显示了训练数据，也就是希望通过神经网络区分的数据点。从上图中可以看到，经过两层的隐藏层，输出节点的区分平面已经可以完全区分不同颜色的数据点。
综上所述，使用神经网络解决分类问题主要可以分为以下4个步骤。
1．提取问题中实体的特征向量作为神经网络的输入。不同的实体可以提取不同的特征向量，本书中将不具体介绍。本文假设作为神经网络输入的特征向量可以直接从数据集中获取。
2．定义神经网络的结构，并定义如何从神经网络的输入得到输出。这个过程就是神经网络的前向传播算法，以后将进行详细介绍。
3．通过训练数据来调整神经网络中参数的取值，这就是训练神经网络的过程。下一节将先介绍TensorFlow中表示神经网络参数的方法，然后下一节将大致介绍神经网络优化算法的框架，并介绍如何通过TensorFlow实现这个框架。
4．使用训练好的神经网络来预测未知的数据。这个过程和步骤2中的前向传播算法一致，本文不再赘述。
要点归纳；
- 在真实问题中，一般会从实体中抽取更多的特征，所以一个实体会被表示为高维空间中的点。
- 有一些神经网络是可以跨层连接的，但目前大部分神经网络结构中都只是相邻两层有连接。
- 在TensorFlow游乐场网站上，边的颜色有黄色（文中浅色部分）和蓝色（文中深色部分）的区别，黄色越深表示负得越大，蓝色越深表示正得越大。
- 类似边上的颜色，TensorFlow游乐场网站中，点上的颜色也有黄色（浅色部分）和蓝色（文中深色部分），和边上颜色类似，黄色越深表示负得越大，蓝色越深表示正得越大。
- 在TensorFlow游乐场中，y轴左侧为黄色（浅色部分），右侧为蓝色（深色部分）。
