神经网络 人工智能-最经典的简单预测房价的案例，你知道吗？

这个问题，换个问法也许会更好，为什么有的人比别的人聪明？这里的聪明不是说心算的快慢，而是说。。。智慧。心算速度是计算能力的问题，而智慧是思维层次的问题。也许我们又个模糊的概念，有的人有大智慧，就是因为他能从纷繁复杂的表象，直接看到问题的核心。掌握了核心所在，就能预测问题的发展趋势，就能上知天文下知地理。

其实，在多层神经网络的学习中，人们也观察到了类似的迹象。网络内部的隐藏层的神奇之处在于它能透过表面，直接发现问题的核心。比如，最经典的简单预测房价的案例中，输入数据只有房屋的长和宽神经网络 人工智能，但是在隐藏层中，会发现面积对房价的影响更大。而这一切为什么会发生？

我们来看一个容易体会的例子。

我们来建立一个简单的神经网络，有8个输入单元(每个可以输入0或者1)，3个隐藏单元和8个输出单元(每个可以输出0或者1)。喂给它的数据也很简单，只有8个数据。就是让8个输入单元依次为1，同时其余单元为0.而这8个数据的对应的输出单元，就是它们自己。可以理解为，将8个数字，依次送入网络，要求网络用三个隐藏单元重新表示8个数字并输出。其实就是逼网络用3个位来表示8个数字。是不是很熟悉，这不就是对数字进行二进制编码？8以内的数字可以表示为000,001,010,011....所谓编码，就是对信息变换表达方式，也就是发现输入信息特征的。

我们人类用了几千年，学会了数字，并用二进制来编码表示数字。如果你编写一个简单的多层BP神经网络，它只需要几千次迭代就可以实现同样的事情。实现代码后文提供。

多层网络在隐藏层自动发现有用的表示能力是ANN学习的一个关键特性。与那些仅限于使用人类提供的预定义特征的学习方法相比，它提供了一种相当重要的的特性-学习机器创造出了设计者没有明确引入的特征。当然，这些创造出的特征一定是网络输入的sigmoid单元函数可以计算出来的。网络中使用的单元层越多神经网络 人工智能，就可以创造出越复杂的特征。这正是人脸识别得以大放异彩的基础所在。