写这篇时，我并没有完全搞懂。谨作记录。
我们知道，单层神经网络的结构很简单：线性加权求和 + sigmoid 。而 Minsky 早就断言：单层神经网络连「异或」问题都解决不了。
但，再加一层就可以了。
但，你不觉得奇怪吗：明明线性的变换怎么就能实现非线性的分割呢？
难道真的切了两刀，然后挑对家的两块连起来？
我们先分析一下 sigmoid(z) 函数的特性：z = 0 是分界点，左边，其值介 (0, 1/2) 之间；右边，其值介 (1/2, 1) 之间。所以，我们抓住分界线：
x + y = 0
x - y = 0
就可以弄清楚大致的位置。
下面我们先试试把一片小方块丢进一个两层的神经网络，看看神经网络把它挤压成什么样了：
这和线性变换也差不多嘛，没见把哪块区域压扁了嘛
我们还是把输出函数画出来看看。我去😱：
可以清楚地看到，出现了清晰的分层：中间的两对家大致都是 0.75 左右。不知道这算不算解决了「异或」问题了呢？
可为什么呢？我们注意到：原输入越远离远点，挤压得越厉害（注意上上图那圈淡淡的边界）。是不是就是因为这个，原本纠缠在一起的数据被拉扯开了呢？大家可以看看 colah 的文章「Neural Networks, Manifolds, and Topology」（看这篇文章之前，我从来没有想过可以从「坐标变换」的角度来看待神经网络），但我不是很清楚他做了什么变换。
关于神经网络，之前没有理解的几个点：
输入层的结点数 = 输入数据的维度；
每一次操作其实相当于做了一次坐标变换，只不过是非线性的变换。而需要这种非线性变换的理由是：压缩，以便下一层线性分割；
所谓「反向传播(Back Propagation)」算法，不过是梯度下降的链式求导版本；
神经网络的优点在于：能够自动产生中间 features 。而现在（也许是前几年吧）很火的「卷积神经网络」不过是借鉴了人眼识别的原理，在降低输入数据维度的同时生成 features 。但其实，人眼识别边缘的原理和「卷积」没什么关系，只不过是受到周围的视觉神经元压制的自然结果。
训练神经网络的核心算法是「Back Propagation」。其实原理不难[1]，把类似动态规划的手法用在（偏微分的）链式法则上。
- 如果下一层神经元数目比当前层多，是为了将数据展开到高维，以便做线性切分；如果下一层神经元数目较当前层少，则是为了提取特征（具体参见 Autoencoder ）。
本质上说，神经网络就是一个非线性分类算法。要实现非线性分类，其实都是将数据映射到高维空间，再做线性切割。不同的是，有的是一步到位（比如：支撑向量机），有的是一点一点来（比如：深度学习）。但大自然老妈用的是后一种方案，原因嘛，主要是省「钱」。
做层级结构的好处是：可以重复利用下层的抽象单元（或者叫「表征(representations)」？「特征(features)」？）。要知道，进化的成本是很高的，不管从时间跨度、还是参与个体消耗的能量看。
而如果没有映射到高维空间，再添加多少层也是枉然。
没事建议跑跑 tensor background ，对理论的理解提升不是一点半点。所以才说「可视化」才是教育的真正变革，因为它极大地降低了学生试错的成本。
-
原理是不难，但你丫咋就没实现得了呢😒 ↩
