深度学习识别手写数字原理

1. 如何识别像素28 * 28手写数字3
   
2. 如果分成28 * 28 的网格具体如下：
   
3. 28 * 28 = 784， 可以由784个像素点代表3.大脑识别不用考虑这些像素点， 很容易识别， 这里不研究大脑如何识别， 而是电脑如何识别。
   大脑很容易区分3 和 6， 另外即使是3， 也有无数种写法， 这是难不倒大脑的。而计算机如何处理？
   
4. 如何是黑白图片， 可以根据灰度值作如下标记：黑色用0.0表示， 白色用1.0表示， 但无法识别是3.
   
5. 通过编写程序， 机器学习都无法解决这一问题， 这就需要提到神经网络， 根据大脑对图像的识别原理，解决：
   
6. 通过对每一个神经元赋值， 再乘以权重w, 再加上bias值， 再把计算结果传到激活函数中sigmoid, 用于激活下一层的神经元， 具体是如何实现的：
   
   首先需要接受， 按照深度神经网络和深度学习可以达到识别数字， 甚至图片这一事实， 甚至识别效果比人类很好。那么工作的原理是什么， 如何分层， 每一层需要有神经元， 需要如何过滤， 选用什么激活函数等需要逐步分析。
7. 神经元
   
   每一个像素代表一个神经元， 一张28 * 28 的图片有784 个神经元， 神经元中的数字用灰度值表示， 白色代表1， 黑色代表0， 至于哪儿值， 比如0.5激活还是0.6不需要关心， 但可以根据激活函数设定。
8. 输入和输出：
   
   
   首先输入和输出是确定的， 给定图片大小， 像素是确定的， 输出是0-9， 也是确定的， hidden layer需要有多少个神经元需要自己根据情况设定。只要最终输出值= 目标值即可。
9. 假设， 当我们识别数字时， 其实也是根据一笔一划识别的
   
   如果让每个神经元负责识别数字的一部分， 最终到达识别所有数字， 那么就需要分层。
10. 激活函数：
    
    为了实现0， 1的输出需要选择激活函数， 一个理想的函数可以是sigmoid函数， 当然也可以是ReLU, tanh(x)等， 总之激活函数需要满足输出为0 或1.
11. 激活函数作用：
    

通过input layer的权重和灰度值相乘， 再累加， 传入道第二层的神经元中， 通过激活函数计算输出结果， 判断是否激活， 如果激活， 证明该数字中的某一部分存在， 如果数字中的所有部分都能激活， 那么就可识别这个数字， 一般神经网络第一层识别数字的边角， 深层识别具体的图案。
11. 具体学习视频： https://www.youtube.com/watch?v=aircAruvnKk