第2章
神经网络原理

2-1　必备的数学与统计知识

现在每天几乎都会看到几则有关AI的新闻，介绍AI的各种研发成果，一般人也许会基于好奇想一窥究竟，了解背后运用的技术与原理，但会发现涉及一堆数学符号及统计公式，可能就会产生疑问：要从事AI系统开发，非要搞定数学、统计不可吗？答案是肯定的，我们都知道机器学习是从数据中学习到知识(Knowledge Discovery from Data, KDD)，而算法就是从数据中提取出知识，它必须以数学及统计为理论基础，才能证明其解法具有公信力与精准度。然而数学/统计理论都有局限，只有在假设成立的情况下，算法才是有效的，因此，如果不了解算法各个假设，随意套用公式，就好像无视交通规则，在马路上任意飚车一样危险。

因此，对于深度学习而言，我们至少需要熟悉以下学科：

（1）线性代数(Linear Algebra)；

（2）微积分(Calculus)；

（3）统计与概率(Statistics and Probability)；

（4）线性规划(Linear Programming)。

以神经网络权重求解的过程为例，四门学科就全部用上了，如下图所示。

（1）正向传导：由“线性代数”计算误差及损失函数。

（2）反向传导：通过“偏微分”计算梯度，同时，利用“线性规划”优化技巧寻找最优解。

（3）“统计”则串联整个环节，例如数据的探索与分析、损失函数定义、效能衡量指标，通通都基于统计的理论架构而成。

（4）深度学习的推论以“概率”为基础，预测目标值。

四项学科相互为用，贯穿整个求解过程，因此，要通晓深度学习的运作原理，并且正确选用各种算法，甚至能够修改或创新算法，都必须对其背后的数学和统计有一定的基础认识，以免误用或滥用。

相关的数理基础可参考拙作《深度学习全书：公式+推导+代码+TensorFlow全程案例》第2章的介绍，本书直接切入主题，针对张量(Tensor)运算进行较详尽的说明。 vefPEol1nxuLi4Rs0EKq/QGuidcfXGbcOzgVBgEEsCXrwzDGgDLdGvDAoHn8uDKH