https://www.baidu.com/s?ie=UTF-8&wd=%E6%B7%B1%E5%BA%A6%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E5%8E%9F%E7%90%86

唉，就是拟合

意义都是人赋予的，人给结果打分，机器只是选出得分高的一堆点。

其实无论是受视觉皮层启发的卷积网络，还是统计学一脉相承来的多层纯连接网络，都能慢慢提取出特征，重点在于不断在尝试中修正错误。
而神经网络修正错误的基石是”反向传播下的梯度下降”。

上来就让人百度的，显然是没有掌握过早客摸鱼的精髓。

像素点（x，y）也是人为定义的，一张图片你也可以理解为像素点的函数，神经网络就是训练点和点之间特征和对应关系，特征也可以理解为某种函数

都是人为定义的，就像随机数，没有真随机，你看到的都是伪随机

比如猫狗识别，送入的图片提取特征，例如外形特征，猫狗轮廓不一样，可以理解为轮廓边缘像素梯度不同，而这个特征有没有意义，是根据先验知识(已经知道这张图片里面是猫或狗)和设计的损失函数来进行的，特征送到损失函数里面去，已知是猫，如果是狗的特征，损失函数会很大，如果是猫的特征损失就比较小

https://benjamin-em.github.io/Blog/fastAI%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0-04-mnist-basics.html

最简单的比喻：好比你在教孩子 1+1=2，首先孩子的认知里不知道1+1是多少，但是对他进行反复训练和学习后，在他的神经网络中，小孩就有了1+1是等于2的意识

此后，对小孩的训练越多，也就是各种加减乘除他算的越对，此时就跟某个函数越拟合；

类似是把一张图片转换为多维矩阵，所谓的特征就是矩阵力识别出来的规律，然后通过转换识别多层训练（拟合），被找出规律。然后再将这种规律套用到其他图片矩阵上。

@itdotaer 矩阵找规律很难，也很难用某种函数表达，所以这个时候出现了这种解释不清楚的神经网络来识别这种矩阵特征。

弄那么复杂干嘛，就是把主观认知的特征值用统计学表达出来而已

特别像我们当初的方程求解。简化版举例就是：aX0+bX1+cX2+dX3+....=n

训练过程就是，已知给出n组(X0,X1,X2,X3...)和对应的n值，求解最近似的(a,b,c,d....)组合解。只要得出这组最优解，以后再来一组(X0,X1,X2,X3...)我就知道n值是多少了。

其中(X0,X1,X2,X3...)就是每个像素点的属性值(RGB值，坐标等)，n就是图片识别结果值。其实就是用函数去模拟现实。

比较难的问题是，选择什么样的定义来评价这组合解是最近似的。如何以最快速度、最低计算量算出最优解。目前没有理论指导，都是玄学训练

mark

非线性拟合

楼上说了，就是拟合。

所谓拟合就是，你有很多参数组（输入），以及参数的映射组（输出），然后设计一个模型，希望能够输入参数组，通过计算尽可能的得到映射组。通俗点讲就是 y=f(x),我们知道到了海量y和x组，想求出f。数学上就是希望能够得出映射关系。

怎么去求这个f呢，将不同的y和x带入f，然后不断调整f，让f尽可能的使这个映射关系成立。这个过程就是训练。

至于如何调整f，就是大量论文来支撑了，不过这里面有很多玄学部分，大部分论文也都是验证了经过大量样本和实验发现这种调整f的方法可行，但是解释不清楚为什么这么做可行，就像中药经过验证能够治病，但是为什么能够治病还不太清楚。

所以“深度神经网络”作为一门新兴的学科，当前还是一门基于实验与结果的学科，虽然成果丰厚，但是能够真正完全解释清楚其中原理还有一段路要走。

Best guess

@irving2016 喔知道了，问题没有得到根本解决，资本还可以不停讲故事。谢谢。