解惑
小白和你都很纠结，升级为啥没有用呢？
你俩决定登门拜访一次“人工智能人话翻译官”。
翻译官家里的客厅中有一块巨大的白板，他就在这块白板前，开始了解惑的过程。
有的放矢
首先我们要明确一件事情，我们的模型怎么算好？
还记得在上一个章节中介绍
P，N 与P',N'之间的关系吗？
就是真是情况和预测值之间的关系。
还有更以前介绍的模型
输入 -> 模型 -> 输出 吗？
我们先把他们结合到一起。以上一章的恋爱数据为例，把数据灌进去就是。
我们一共有一百个人：
X 这个集合中就有(),
代表第一个人，
代表第二个人以此类推。
有三个维度我们用一个向量代表。
=
我们用 代表财富，
代表才华，
代表颜值。
=
Y' 代表输出
Y' 这个集合中就有(),
代表第一个人是否配对成功的预测结果，
代表第二个人是否配对成功的预测结果以此类推。Y'有两种可能，配对成功，或者配对失败。
Y 代表真实的情况
Y 这个集合中就有(),
代表第一个人是否配对成功的真实情况，
代表第二个人是否配对成功的真实情况以此类推。Y有两种可能，配对成功，或者配对失败。
最后他们的关系就是：
由此我们自然希望Y 与 Y'之间的差距越小越好，最好Y'就是Y。
再来看一下模型：
Y' = XW + threshold
还记得之前的这个W和threshold我们是怎么设置的吗？
=
是我们拍脑袋设置的！这就是造成我们模型不准确的最大原因。
我们接下来的目的就是如何让Y与Y'一致来展开，用数学公式表示就是
由于：
最终：
在这个公式中X已知，Y已知，不知道的是W和threshold。
学习能力
你的算法模型不是孩子了，他应该具备学习能力。
等等学习能力这东西太抽象了，它该如何体现在编程上呢？
学习是什么？
我们先来试着给"学习"下一个定义。为了不太抽象，我们回忆一下我们在小的时候是怎么认识苹果的。
你的父母绝对不可能这么对你讲：“苹果（学名：Malus pumila）是蔷薇科苹果亚科苹果属植物，其树为落叶乔木。”
一般的都是拿过来一个苹果，告诉你这是苹果，而你的直觉经验所得就是以后看见“红色的圆圆的，吃起来甜甜的”就是苹果，直到有一天你吃到了绿色的苹果，你会把之前的直觉经验改成“红色的或则绿色的圆圆的，吃起来甜甜的”就是苹果。以后看到类似的物体你就可以做出正确的判断了。
现在我们就可以给学习下一个定义了：人通过大量的观察，积累直觉经验，获得某项技能。
在刚才的故事中，你就是通过观察（视觉，味觉）大量的苹果，积累起来你的直觉经验（红色的或则绿色的圆圆的，吃起来甜甜的），最后获得判断物体是不是苹果的技能。
这个和之前我们讲过的输入->模型->输出吗？
把刚才的学习例子带入：
=
作为输入
大脑就是模型Y' = XW + threshold，(W与threshold就是大脑内部的神经元)
经过大脑处理得到或者
这就是输出。
大脑是怎么做到的？
抛开生物学上的细节，其实我们的大脑就是通过两个动作的大量训练实现了学习，掌握了识别苹果的技能。
这两个动作就是前向计算与反向传播：
前向计算：你的大脑接收到X的输入,利用内置的模型，得到Y'。
Y' = XW + threshold(W与threshold就是大脑内部的神经元) 如果Y'为正答案就是"苹果"，否则得到"不是苹果"。
反向传播：
根据最有Y’与Y的差距，如果预测错了，则修改大脑内的神经元也就是修改W与threshold。如果预测对了，则不修改大脑内的神经元。
这两个过程一直循环，直到我们的掌握了识别苹果的技能——比如拿过50个苹果，50和苹果相似但不是苹果的物体，根据你大脑训练我们能大概率（比如90%）的识别出来。这也就相当于你大脑中有了正确的。
这个过程像不像我们在上学时做的考前模拟？
接下来我们考虑的就是如何让计算机帮我们实现这个学习的过程。
也就是针对 求极值问题，求最优解问题。正好在计算机科学里面有现成的框架可以帮你和小白。
极值
本例中，我们希望Y越接近Y'越好，也就是越接近0越好——求极小值。
最优解
本例中，通过前向计算与反向传播不断调整，终于在某一时刻，你获得到一个能帮你获得极值的参数组合。它们就是最优解。
只有按照这个思路解决才是正道啊！
你和小白意识到之前的模型设计思路有问题，它不能自主学习啊！赶紧回去查阅相关的文档，让模型具备自我学习能力。
总结一下今天学到的名词：
学习
前向计算
反向传播
极值
最优解
