在大學的時候學習了機器視覺的相關知識
但對於機器學習的認知還只停留在感念層次上
現在乘着有時間，把以前的缺漏補上~
———————————————下面是正文————————————————
一.機器學習
首先來闡述下本人對於機器學習的理解：機器學習就是使機器通過 “ 學習 ”（也有些書籍成爲 “ 訓練 ”）來了解某種事物的特徵，從而在人類輸入一個未知信號時可以 “ 推理” （有些書籍稱爲 “ 演算 ”）出該信號的特徵這麼一個過程。即：機器學習=學習+推理。然而，學習的數據是我們已經提前將數據的特徵整理好了丟給機器進行學習，而深度學習則不需要。
我們可以舉一個簡單的例子：當我們去超市買水果的時候，如何分辨得出哪些是西瓜哪些是蘋果呢？顯然，如果讓一位嬰兒來選的話肯定是選不出來的，因爲嬰兒沒有識別西瓜的蘋果的經驗，而我們卻可以輕而易舉地分辨出來，爲什麼？因爲我們可以根據以前學習過的經驗來判斷~如可以通過水果的大小來判斷、通過水果的顏色來判斷甚至通過水果的氣味等特徵進行判斷。
而機器學習就是將機器當作一個沒有經驗的嬰兒，需要通過學習某些東西，才能正確地分析甚至預判某種事態，有個詞本人覺得十分地貼切：工作經驗。工作的時間越長，對於某件工作就越得心應手，機器學習也是如此~
而學習是學習什麼呢？
主要是學習權重和偏置。（具體可以看下文）
二.感知機
在瞭解機器學習之前，我們還得了解感知機，神經網絡是由許許多多的神經元組成，而神經元的原理有何感知機很像，所以一下解析皆由感知機入手，機器學習模擬的是我們大腦的學習方法，而大腦則是通過各種外部刺激神經元使得大腦做出各種反應這個一個過程，我們可以簡單地來看下神經元接收到信號的處理過程：
從圖中我們可以看到，當外部感官接收到信息源時，將信號往神經元傳送，神經元被激活後將做出相應的反應。而輸出S有一個經典的公式可以表示：
其中的符號X表示輸入的信號，而符號W則表示權重，符號B表示偏置。神經元被激活的條件通常設定爲輸出的信號S數值大於或者等於1，而小於1則表示沒有被激活。信號乘以權重參數表示該信號對於整個學習過程的重要程度，而偏置則是調整了整個神經元被激活的容易程度，比如偏置設置爲-1，輸入的信號的加權總和超過0.1就會被激活，而偏置設置爲-20，則輸入的信號的加權總和超過20才能被激活。
下面通過一個例子來說明神經元的學習過程，設定西瓜和蘋果i的大小和顏色都分別設定一個值：
再來我們假設神經元已經經過了學習，得出權重 W1 = W2 = 1 ，偏置B1 = 0 ，那麼：
由此可知，將顏色和大小輸入進去之後，神經元輸出了數值（原始數據），幾乎識別了水果的不同種類。但是輸出的原始數據並不能直觀地表達出數據地含義，因爲隨着傳入數據的不同，得出的數據也會因此參差不齊，所以爲了規範輸出，我們在輸出原始數據之後，再加上一個激活函數（有書籍也叫傳遞函數）來規範輸出數據。假定我們規定大於0的輸出爲1，其他則輸出爲0，所以：step(2) = 1,step(-2) = 0。當然，本文使用的激活函數只是一個簡單的個例，更多可以百度神經元的激活函數，選擇更適合你的激活函數。
而我們爲什麼要取值爲1和0呢？因爲換了一個值之後，結果可能就完全不一樣了。
三.權重和偏置的學習
感知機有一套訓練神經網絡權重和偏置的方法：
例如上面那個例子，如果權重變成了W1=1，W2= -1 ，B=0，則西瓜的輸出爲：
S= 1x1+(-1)x1 +0 =0 經過激活函數 step(s)=0 ，識別爲蘋果。錯誤了~ 所以權重和偏置不可隨意設置。
而我們可以利用感知機的學習方法來計算出權重和偏置：
我們將 e =1代入：
將新計算的權重和偏置重新計算西瓜的識別：
再嘗試蘋果：
如此，新的權重的偏置即計算完成~
參考文獻：《神經網絡與深度學習》.吳岸城. 電子工業出版社
《深度學習入門-基於python的理論與實現》(日)齋藤康毅. 人民郵電出版社