想要了解智慧型音箱背後的基礎技術框架，其實，既是是應用類應用工程師，也需要對神經網路，以及深度學習模型，有一些基本的認識，個人認為這樣會更加方便產品設計，以及相應的方案評估，因此，我們或許要大致了解感知機，sigmoid函式的相關概念。
人類的視覺系統，是世界上最有趣的奇蹟之一，當有人給了我們一張手寫卡片，大家可以很輕易地認出上面的字跡，這種輕易性讓我們覺得機器想要做到這一點也是很容易的，但是實際上，機器需要更多的步驟實現。接下來我們將從深度學習模型，perception感知機，以及sigmoid函式的角度，用文字識別這乙個小例子，來做關於深度學習的梳理。
首先先從一些基礎概念開始。
機器學習（machine learning）人工智慧發展早期，利用一系列計算機演算法分析資料，建立模型，解決問題。近年來最有效的學習方法和工具：深度學習（deep learning）。我們以達到實用水平的語音識別技術為範例，如下圖：
根據darpa（國防部高階研究計畫署）資助的多次語音評測，語音識別詞錯誤率已經是評估進步的主要指標
之前我們有專門提過，nlp（neuro-linguistic programming）和nlp（natural language processing）經常被弄混，這次可能簡單梳理一下神經網路相關的概念。當前最具代表的深度學習演算法模型如下：
deep neural network深度神經網路
recurrent neural network迴圈神經網路
convolutional neural network卷積神經網路
可能，乙個小概念的引入更加方便我們了解這個概念。我們知道，在人類聰明的小腦袋瓜裡，大腦半球裡面，位於大腦枕葉（occipital lobe）的初級視覺皮層(primary visual cortex)(哈哈做硬體的小夥伴是不是會跳戲的想到armv7)部位，我們又叫它v1，含有1.4億個神經元，他們之間有數萬億的聯絡。然而，人類的視覺控制區域不僅僅只有v1區域，還有v2，v3，v4，v5，逐漸公升級做複雜的影象處理。隨著人類億萬年的進化，以及逐漸加深的對世界的理解，我們的大腦變成了乙個超級計算機。於是，識別手寫數字，對我們來講並非難事。於是，在不知不覺中，我們的影象識別，我們的視覺能力變得尤為精湛。因此，我們並不能清楚的感知到，每當我們認出了一串手寫數字，我們的大腦做了多麼複雜的工作。
但是，一旦我們嘗試用電腦程式寫出乙個文字識別軟體，就會發現這類問題的難度所在。貌似簡單的問題變得極其複雜，比如，「9」這個數字，上面是乙個圈，下面有乙個小尾巴，這件事很難用演算法表述。如果我們試圖用coding來描述此類規則，你會在一大堆特例，中止申請中迷失方向。
神經網路嘗試通過另外一種方式解決問題，通過獲取一大堆的手寫數字作為樣本資料，用作訓練案例。然後建立乙個可以通過數字樣本訓練的系統，換句話說，神經網路是用這些樣本，做出自動推斷手寫數字的識別規則。隨著樣本資料的不斷增加，系統會對手寫數字規則有更深刻的理解，以提公升系統的精準度。
為了開始接觸神經網路，我們要介紹一種人工神經元，稱之為perceptron，感知機。在2023年至2023年，科學家frank rosenblatt發明了感知機，並激發了warren mcculloch以及walter pitts的研究成果。在當下，其他類的人工神經元或許更加流行，目前主要的模型，或許是sigmoid neurons（跟著我用東北話唸席各馬），為了後續更好的了解席各馬函式，我們需要先了解一下感知機。
其實在之前，我們有稍微提過感知機的概念，其實是通過幾個二進位制輸入，給到乙個二進位制輸出。
rosenblatt介紹了一種簡單的規則，用於計算輸出——輸出0或者1，是根據sum ∑jwjxj，
同時引入了weight（權重）這個概念，權重的數值代表了不同的輸入值對結果影響力的大小，而sum ∑jwjxj與threshold value（閾值）大小的對比則決定了輸出結果。閾值屬於神經網路的引數之一，，如果用代數形式表示，則如下：
接下來，進乙個我最喜歡的例子用來說明感知機。
舉例：你隔壁城市即將舉辦一場紅酒節，你喜歡紅酒，接下來將要決定是否要去參加紅酒節。有三個因素決定你是否會去紅酒節：
1）當天天氣如何？
2）你的男朋友願意陪你一起去嗎？
3）你自己沒車，紅酒節的交通是否方便？
接下來希望可以逐漸從感知機過渡到席各馬模型，附贈更高階的神經網路，數字訊號處理的小夥伴們，還記得被卷積支配的恐懼嗎？
deep neural network深度神經網路
recurrent neural network迴圈神經網路
convolutional neural network卷積神經網路
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...