机器学习中快速修补构建神经网络的选择可以是它
通用近似定理
神经网络在1989年首次被证实，它可以被归类为通用函数近似器。给定任意连续的N维函数f（x），只有一个隐含层和有限数量的神经元的神经网络能够在x的固定范围内和一个有限误差ε内近似这样的函数。
本文将利用这个定理评估一个关于多重非平凡函数的简单体系结构，以证明我们的网络能够从数据中学习。
一些辅助函数
让我们定义这些辅助函数，这些辅助函数将帮助我们进行训练和评估：
· genDataSet1D：使用开始、结束和步骤信息，此函数生成一个向量元组数组，每个元组对应一个（x，y）对。请注意，根据需要，这可以是任何维度，但为了简单起见，本教程中的输入和输出都将是一维的。
· yRealFn：这是我们定义目标函数的地方。来自该函数的数据点将被采样并绘制在最终图上，以显示我们试图建模的实际底层函数。
· yRealFnAndNoise：该函数简单地将一个概率项添加到yRealFn的输出中，模拟数据中存在的噪音。但是，如果这个错误没有被适当地缩放，它将会比确定性项（yRealFn）大得多，从而导致网络学习的不是实际的函数。
· meanFeatureSqErr＆evalAngEpochErr：这些函数将在本教程的训练部分进行说明。
初始化网络
定义架构
为了测试我们的网络，只有一个隐藏层的简单神经网络就足够了。作者研究了一些必要的隐藏节点，以便学习任何合理的平滑函数，发现8个节点就足以完成这项工作。
根据经验，选择太少的隐藏节点可能会导致拟合不足，反之则会导致过度拟合。
当选择一个激活函数时，有很多常用的方法：tanh，sigmoid，ReLU等等。作者决定采用tanh，因为它非常适合学习平滑函数中存在的非线性。
tanh（x）（红色）及其衍生物（绿色）。
选择超参数
如果你一直关注机器学习，从一开始你就会意识到超参数搜索或多或少的尝试和错误。当然，你还可以查看几个时期的成本函数图，并对你认为的最佳值进行有根据的估计。
目标函数
在开始训练之前，还有最后一步：选择合理复杂的函数，可以用来生成良好规划的数据集，同时可以在视觉上进行比较。
你会注意到，对于处于相同范围内的所有输入，输出都受闭区间[0，1]的限制。这是一个深思熟虑的决定，可以避免使用均值标准化，通过保持所有特征在相似范围内，有助于防止过度的权重。
三个测试函数以及它们的图的定义。
我们将使用步长为0.01的x∈[0，1]来训练我们的网络。因此，在这个范围内将产生101个等间距样本，我们将保留约6％用于验证（统一选择）。
训练我们的网络
概述
让我们首先从顶层收集我们需要训练的函数：
•对于每个时期，我们需要执行梯度下降，在我们的情况下，将随机完成（每个样本一次）。然后，我们会在下一个时期使用更新后的网络进行进一步的训练。
•在此过程中，通过在每个时期结束时评估我们的网络并获得误差度量（例如平方误差）来跟踪我们的训练误差。
使用MapFold
保持接近函数范例，而不是使用传统的for循环，我们将利用List.mapFold进行训练。
那么mapFold如何工作？
简而言之，它是List.fold和List.map的有效组合。它允许在给定当前列表元素和先前状态的情况下来计算新状态，同时使用我们选择的函数转换当前列表元素。这个函数的最终输出是一个由变换列表和最终状态组成的元组。
实现
在trainEpoch函数中，训练数组首先随机被打乱。这个新重组的数组被输入到perfGradDesc。该函数通过使用Array.fold传播网络更新，在整个训练数据集（单次传递）上执行样本的梯度下降。
一旦我们对网络进行了一次训练，并从trainEpoch获得最终网络后，我们需要使用我们选择的成本函数来评估该时期的训练误差。每个样本的误差需要与lastLayerDeriv函数一致。因此，对于由themeanFeatureSqErr函数实现的错误度量，平方误差是最合适的选择。
注意：尽管我们的网络可以支持任何维度的输出，但在涉及成本函数时，每个样本只有一个标量度量值是有用的。因此，每个样本的误差将是每个输出特征的平方误差的平均值。这不会影响一维输出的误差，并且如果所有输出维度都具有大致相同的比例，则这是合理的选择。
在对整个训练集进行平均误差后，我们得到均方误差。该值由evalAvgEpochErrfunction计算。
最后，在每个时期结束时，（xAndyShuffArr，newNet）是传播到下一时期的新状态，而err是替换原始列表中时期数的映射对象。
训练我们的网络的代码
结果
y = 0.4x 2 + 0.2 + 0.3x * sin8x的结果跨越多个时期。
这里有一些视觉证据表明网络实际上正在训练！为了绘制数据，本文将使用过去用于F＃绘图的PLplot库。绘制这些图需要一些额外的代码量，但这可以在本文结尾处链接的此项目的Github存储库中找到。
传说
· 粉红色的线代表没有噪音的底层真实函数。这仅用于绘图，但从未用于任何计算。
· 青色点是包括训练和测试数据点的整个数据集。所有误差都是参考这些点来计算的。
· 绿色圆圈表示对训练数据进行评估的最终假设。随着训练周期的增加你可以观察到它们越来越接近真实的函数曲线。
· 最后，粉红色十字代表在测试数据上评估的最终假设。如果仔细观察，你可以注意到它们很好地跟踪了训练数据点，并且这通过MSE的训练测试分数得到了证实。
评估目标函数
从上到下：f（x）= 0.4x 2 +0.2 + 0.3x * sin8x、g（x）= 0.6e ^ - （0.3sin12x /（0.3 + x））、h（x）= 0.4-0.1log x + 0.1）+ 0.5x * cos12x
这里是三个测试函数的结果，你可以点击其中的每一个来更详细地查看它们。只需一眼就能看出，网络通常在更平滑的函数上运行的更好。随着每个函数静止点附近的梯度增加，神经网络训练变得更加困难（观察损失曲线）。这与我们使用tanh（x）作为激活函数有关。
尽管如此，我们现在已经有了通用近似定理成立的直观证明！
结论
现在我们已经定义了我们的基本架构，并且能够训练任何任意数据，我们可以使用网络来训练和测试常用数据集。
通用近似定理在机器学习领域还有很长的路要走。它甚至可以扩展用来实现最简单的神经网络以提高收敛性：批量标准化，小批量梯度下降，自定义权重初始化等等。
不用担心，F＃上进行3000次训练需要大约3秒的时间，这使得它成为快速神经网络修补和评估的潜在候选者。使用类似设计原理和类似参数选择的脚本的python版本需要大约168秒！
正如所承诺的，所有的源代码都可以在Github上找到。(https://github.com/hsed/funct-nn)