概述

都说神经网络是一个万能的函数拟合器，如何理解这句话呢？让我们做一些实验，去获取更直观的理解。 为了直观与方便理解，我们用神经网络去拟合一元函数，也就是y=f(x)y=f(x)y=f(x)

实验

1. 函数y=xy=xy=x

训练样本

如图所示：

• 蓝色点代表训练样本，它们都是从函数y=xy=xy=x中取样获得
• 橙色的直线代表神经网络所表示的函数，目前未训练，与样本偏离较大

思路

拟合一条直线，我们需要使用什么结构的神经网络去拟合它呢？为了理解透彻，我们需要理解单个神经元。

单个神经元的形式为：y=σ(wx+b)y = \sigma(wx+b)y=σ(wx+b)

• www和bbb为待确定的参数
• σ\sigmaσ为激活函数

如果去掉σ\sigmaσ，其形式就是y=wx+by = wx+by=wx+b，刚好就是一条直线。也就是说，我们使用一个不带激活函数的神经元，就可以拟合该函数。

实验

如上图所示，使用单个输出神经元，经过20步的训练，神经网络就与目标函数拟合的很好了。所得到的参数如下图所示：

对应的函数为y=1.0x+0.1y=1.0x+0.1y=1.0x+0.1，与目标函数极为接近，再多训练几步即可更为接近。

2. 函数y=|x|

训练样本

该函数是一个分段函数

y={xx≥0−xx<0y = \begin{cases} x & x \ge 0 \ -x & x < 0 \end{cases}y={x−x​x≥0x<0​

思路

由于这里不是直线，这就需要用到非线性激活函数了，它可以将直线弯折。由于不涉及曲线，ReLU是比较合适的激活函数：

观察ReLU函数的曲线，一边是水平直线，另一个是一条斜线。如果能够获得2条ReLU曲线，让他们反向叠加，是不是就可以得到目标曲线了？

最终结果如下：

其中2个隐藏神经元为：

• y1=ReLU(−x)y_1=\mathrm{ReLU}(-x)y1​=ReLU(−x)
• y2=ReLU(x)y_2=\mathrm{ReLU}(x)y2​=ReLU(x)

输出神经元为：y=y1+y2y=y_1 + y_2y=y1​+y2​，刚好得到目标曲线。

（以上结果未经参数训练，直接通过手工设置参数获得）

3. 函数

y={x+3−3≤x<03−x0≤x<30othery = \begin{cases} x+3 & -3 \le x < 0 \ 3-x & 0 \le x < 3 \ 0 & other \end{cases}y=⎩⎪⎪⎨⎪⎪⎧​x+33−x0​−3≤x<00≤x<3other​

所需隐藏神经元上升到4个。

4. 函数y=1.8∗sin⁡(3∗x)/x)y = 1.8 * \sin(3 * x) / x)y=1.8∗sin(3∗x)/x)

网络更加复杂，拟合的曲线也不再完美。

总结

随着目标函数变得更加复杂：

• 对应的神经网络也更加复杂
• 所需的训练数据量也更多
• 训练难度越来越大
• 越来越不直观，越来越难以解释

反过来说，更复杂神经网络、更多的数据量，可以用来拟合更复杂的函数。理论上可以拟合任意函数，当然，网络要无限大，数据量也要无限多。

参考软件

神经网络

作者：jerryjee
链接：https://juejin.cn/post/6952792668497936421
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。