专栏推荐
（此处已添加圈子卡片，请到今日头条客户端查看）
正文
线性分类器是这样的：
当大于0 的时候为正类，当小于0的时候为负类，在神经网络中我们可以使用图来表示这样的分类器。
我们称这个为单层的神经网络，这个简单的神经网络可以完成如下两个操作：
一个是OR操作，一个是AND操作，举例OR操作，当我们设置输入特征x1和x2的权重为1的时候，只要结果大于0，那么y=1，如果小于0那么y=0.这样就实现了OR操作。
这两个操作，线性分类器也可完成，所以我们可以认为单层的神经网络就是简单的线性分类器。
那么什么是线性分类器无法表示的呢？
没有任何直线可以将加号和减号区别开来，这个操作叫做逻辑异或运算，也就是线性分类器无法完成逻辑异或运算，而单层的神经网络也无法完成逻辑异或运算。
所以线性特征就无法完成这个任务了，我们需要一些非线性的特征z1和z2。那么怎样才可以得到非线性特征呢？
总结为神经网络就是将我们的特征进行多层的线性和非线性变换，最终变为 非线性的特征。
深度学习在计算机视觉中的应用：
在计算机视觉里，图像特征就是局部探测器，把这些探测器综合起来就能做出预测，也就是图像识别。
假如我们要预测一张图片是否是人脸，我们需要各种探测器来识别这个图像，比如鼻子探测器，眼睛探测器等等
其实，在实际中是没有鼻子和嘴巴探测器的，图像特征就是局部兴趣点的组合，组合在一起构成分类器。
以前的时候描述这些特征是手工完成的
而深度学习方法不需要手动构建这些特征，而是需要自动学习这些特征，比如我们的图像输入到三层的神经网络
你会发现神经网络的每一层都会发现这些特征，第一层只能抓取到边边角角，而第三层可以抓取到人体躯干或者珊瑚。
