因为模型中的权重值是根据训练集中的大量样本学习得出的，所以理想情
况下，其他不在训练样本集中的图片，只要它依然是人类可辨认的阿拉伯数字
图片的话，就应当同样适合这个模型，加权求和再经过阈值比较之后，网络中
应该激活且只激活一个与其数字对应的 M-P 神经元，这个神经元代表的数字就
是图片识别的结果。像麦 权重 八米
从这个例子里可以提炼出一个更通俗的神经网络机器学习解释，神经网络学习方法的基本原理就是从训练集中提取出分类特征，这些特征应能同样适应独立同分布的其他未知数据，所以经已知数据学习训练后的神经网络应该对同类的未知数据有效。再回到这个数字识别的例子中，整个神经网络模型如图 4-11 所示。
不过，以上仅是能处理“理想情况”的模型，在实际使用过程中，往往会发现网络中出现了不止一个 M-P 神经元被激活的情况，原因并不难理解，毕竟许多手写体的数图 4-11 识别数字的神经网络模型
字会存在“模棱两可”的特征，有些特征非常模糊，甚至人类都可能识别错误。如图 4-12 所示，这些图片就来源于测试集中导致模型出现了两个（或以上）神经元同时被激活的数据，这类模糊的数据会使得识别出现歧义而导致识别失败。
124
第二部分 学派争鸣