神经网络如何模拟任意函数？-技术圈

点击关注公众号，干货及时送达

来源：知乎—jerryjee

地址：https://zhuanlan.zhihu.com/p/396204813

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，可以利用神经网络构建任意函数，得到任意算法。

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。

2. 使用1个神经元来模拟函数的右半部分(上下颠倒)。

3. 再使用一个神经元将前2步的图像进行合成

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_{1} x+w_{2} y+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。

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

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？

推荐阅读
（点击标题可跳转阅读）
JupyterLab 终于出了 Windows 桌面版
机器学习最困难的部分：超参数调试
神经网络之CNN与RNN的关系
【机器学习基础】多标签分类的玩法
三步搞定机器学习核心：矩阵求导
国内Github下载很慢，用上了这个插件后，下载速度嗖嗖嗖的~！
老铁，三连支持一下，好吗？↓↓↓