概述

神经网络之所以强大，在于它强大的模拟能力。理论上，它可以以无限小的误差模拟任意函数。

也就是说，我们可以利用神经网络构建任意函数，得到任意算法。

我们这里使用一些可视化的样例，帮助大家获得一些直观的理解。

一元函数的模拟

直线

这个是最简单的情况，我们使用一个不带激活函数的神经元即可模拟。

$f(x) = wx+b$

通过调整$w, b$参数，即可模拟任意直线。

阶跃函数Step Function

我们使用一个带Sigmoid激活函数的神经元来模拟。

随着$w$参数继续增大，神经网络就会逐步逼近该函数。

矩形脉冲函数

我们分成几步来模拟：

1. 使用1个神经元来模拟函数的左半部分。

$f_1(x) = \text{sigmoid}(w_1x+b_1)$

2. 使用1个神经元来模拟函数的右半部分(上下颠倒)。

$f_2(x) = \text{sigmoid}(w_2x+b_2)$

3. 再使用一个神经元将前2步的图像进行合成

$f_3(x, y) = \text{sigmoid}(w_{31}x + w_{32}y + b_3)$

得到的结果很好地近似了目标函数。

其它一元函数

利用矩形脉冲函数，我们很容易近似其它任意函数，就像积分原理一样。

二元函数的模拟

平面

这个是最简单的情况，我们使用一个不带激活函数的神经元即可模拟。

$f(x, y) = w_1x + w_2y + b$

通过调整$w_1, w_2, b$参数，即可模拟任意平面。

二元阶跃函数Step Function

我们使用一个带Sigmoid激活函数的神经元来模拟。
$f(x) = \text{sigmoid}(w_1x + w_2y + b)$

二元矩形脉冲函数

与一元函数的情况类似，我们分步实现它：

1. 使用一个神经元来模拟函数的一个边缘

$f_1(x, y) = \text{sigmoid}(w_{11}x + w_{12}y + b_1)$

2. 然后我们可以得到以下函数：

3. 最后，可以合成以下函数

最终的神经网络结构如下图所示：

其它二元函数

利用二元矩形脉冲函数，我们很容易近似其它任意二元函数，就像积分原理一样。

n元函数的模拟

原理一样，自己想象！?

问题

我们已经拥有了数字电路以及软件程序算法，为什么还需要神经网络？

构建与数字电路之上的软件程序也可以模拟任意函数，那为什么还要发明人工神经网络呢？

参考软件

更多内容及可交互版本，请参考App：

神经网络与深度学习