1、什么是神經(jīng)網(wǎng)絡(luò)

什么是人工智能？通俗來講，就是讓機(jī)器能像人一樣思考。這個(gè)無需解釋太多，因?yàn)橥ㄟ^各種科幻電影我們已經(jīng)對(duì)人工智能很熟悉了。大家現(xiàn)在感興趣的應(yīng)該是——如何實(shí)現(xiàn)人工智能？

從1956年夏季首次提出“人工智能”這一術(shù)語開始，科學(xué)家們嘗試了各種方法來實(shí)現(xiàn)它。這些方法包括專家系統(tǒng)，決策樹、歸納邏輯、聚類等等，但這些都是假智能。直到人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)，才讓機(jī)器擁有了“真智能”。

為什么說之前的方法都是假智能呢？因?yàn)槲覀內(nèi)祟惸芮迩宄刂浪鼈儍?nèi)部的分析過程，它們只是一個(gè)大型的復(fù)雜的程序而已；而人工神經(jīng)網(wǎng)絡(luò)則不同，它的內(nèi)部是一個(gè)黑盒子，就像我們?nèi)祟惖拇竽X一樣，我們不知道它內(nèi)部的分析過程，我們不知道它是如何識(shí)別出人臉的，也不知道它是如何打敗圍棋世界冠軍的。我們只是為它構(gòu)造了一個(gè)軀殼而已，就像人類一樣，我們只是生出了一個(gè)小孩而已，他腦子里是如何想的我們并不知道！這就是人工智能的可怕之處，因?yàn)閷硭锌赡軙?huì)覺得我們?nèi)祟惒粦?yīng)該活在這個(gè)世界上，而把我們消滅掉為此，世界上已經(jīng)成立了不少安全協(xié)會(huì)來防范人工智能。

人工神經(jīng)網(wǎng)絡(luò)是受到人類大腦結(jié)構(gòu)的啟發(fā)而創(chuàng)造出來的，這也是它能擁有真智能的根本原因。在我們的大腦中，有數(shù)十億個(gè)稱為神經(jīng)元的細(xì)胞，它們連接成了一個(gè)神經(jīng)網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)正是模仿了上面的網(wǎng)絡(luò)結(jié)構(gòu)。下面是一個(gè)人工神經(jīng)網(wǎng)絡(luò)的構(gòu)造圖。每一個(gè)圓代表著一個(gè)神經(jīng)元，他們連接起來構(gòu)成了一個(gè)網(wǎng)絡(luò)。

人類大腦神經(jīng)元細(xì)胞的樹突接收來自外部的多個(gè)強(qiáng)度不同的刺激，并在神經(jīng)元細(xì)胞體內(nèi)進(jìn)行處理，然后將其轉(zhuǎn)化為一個(gè)輸出結(jié)果。如下圖所示。

人工神經(jīng)元也有相似的工作原理。如下圖所示。

上面的x是神經(jīng)元的輸入，相當(dāng)于樹突接收的多個(gè)外部刺激。w是每個(gè)輸入對(duì)應(yīng)的權(quán)重，它影響著每個(gè)輸入x的刺激強(qiáng)度。

大腦的結(jié)構(gòu)越簡(jiǎn)單，那么智商就越低。單細(xì)胞生物是智商最低的了。人工神經(jīng)網(wǎng)絡(luò)也是一樣的，網(wǎng)絡(luò)越復(fù)雜它就越強(qiáng)大，所以我們需要深度神經(jīng)網(wǎng)絡(luò)。這里的深度是指層數(shù)多，層數(shù)越多那么構(gòu)造的神經(jīng)網(wǎng)絡(luò)就越復(fù)雜。

訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的過程就叫做深度學(xué)習(xí)。網(wǎng)絡(luò)構(gòu)建好了后，我們只需要負(fù)責(zé)不停地將訓(xùn)練數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，它內(nèi)部就會(huì)自己不停地發(fā)生變化不停地學(xué)習(xí)。打比方說我們想要訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò)來識(shí)別貓。我們只需要不停地將貓的圖片輸入到神經(jīng)網(wǎng)絡(luò)中去。訓(xùn)練成功后，我們?nèi)我饽脕硪粡埿碌膱D片，它都能判斷出里面是否有貓。但我們并不知道他的分析過程是怎樣的，它是如何判斷里面是否有貓的。就像當(dāng)我們教小孩子認(rèn)識(shí)貓時(shí)，我們拿來一些白貓，告訴他這是貓，拿來一些黑貓，告訴他這也是貓，他腦子里會(huì)自己不停地學(xué)習(xí)貓的特征。最后我們拿來一些花貓，問他，他會(huì)告訴你這也是貓。但他是怎么知道的？他腦子里的分析過程是怎么樣的？我們無從知道~~

2、如何將數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中

我們需要弄懂的第一步就是如何將數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中。例如，在我們百度的“小度智能屏”中，是如何將麥克風(fēng)采集到的音頻數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中的；小度智能屏還能根據(jù)人臉來判斷年齡從而自動(dòng)切換成人和兒童模式，那它又是如何將攝像頭采集到的人臉數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中的。

下面我拿識(shí)別女優(yōu)的例子來給大家介紹如何將女優(yōu)的圖片數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中。

此例中，待輸入的數(shù)據(jù)是一張圖像。為了存儲(chǔ)圖像，計(jì)算機(jī)要存儲(chǔ)三個(gè)獨(dú)立的矩陣（矩陣可以理解成二維數(shù)組，后面的教程會(huì)給大家詳細(xì)講解），這三個(gè)矩陣分別與此圖像的紅色、綠色和藍(lán)色相對(duì)應(yīng)（世界上的所有顏色都可以通過紅綠藍(lán)三種顏色調(diào)配出來）。如果圖像的大小是64 * 64個(gè)像素（一個(gè)像素就是一個(gè)顏色點(diǎn)，一個(gè)顏色點(diǎn)由紅綠藍(lán)三個(gè)值來表示，例如，紅綠藍(lán)為255,255,255，那么這個(gè)顏色點(diǎn)就是白色），所以3個(gè)64 * 64大小的矩陣在計(jì)算機(jī)中就代表了這張圖像，矩陣?yán)锩娴臄?shù)值就對(duì)應(yīng)于圖像的紅綠藍(lán)強(qiáng)度值。上圖中只畫了個(gè)5 * 4的矩陣，而不是64 * 64，為什么呢？因?yàn)闆]有必要，搞復(fù)雜了反而不易于理解。

為了更加方便后面的處理，我們一般把上面那3個(gè)矩陣轉(zhuǎn)化成1個(gè)向量x（向量可以理解成1 * n或n * 1的數(shù)組，前者為行向量，后者為列向量，向量也會(huì)在后面的文章專門講解）。那么這個(gè)向量x的總維數(shù)就是64 * 64 * 3，結(jié)果是12288。在人工智能領(lǐng)域中，每一個(gè)輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)都被叫做一個(gè)特征，那么上面的這張圖像中就有12288個(gè)特征。這個(gè)12288維的向量也被叫做特征向量。神經(jīng)網(wǎng)絡(luò)接收這個(gè)特征向量x作為輸入，并進(jìn)行預(yù)測(cè)，然后給出相應(yīng)的結(jié)果。

對(duì)于不同的應(yīng)用，需要識(shí)別的對(duì)象不同，有些是語音有些是圖像有些是傳感器數(shù)據(jù)，但是它們?cè)谟?jì)算機(jī)中都有對(duì)應(yīng)的數(shù)字表示形式，通常我們會(huì)把它們轉(zhuǎn)化成一個(gè)特征向量，然后將其輸入到神經(jīng)網(wǎng)絡(luò)中。

3、神經(jīng)網(wǎng)絡(luò)是如何進(jìn)行預(yù)測(cè)的

那么神經(jīng)網(wǎng)絡(luò)是如何根據(jù)這些數(shù)據(jù)進(jìn)行預(yù)測(cè)的呢？我們將一張圖片輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)是如何預(yù)測(cè)這張圖中是否有貓的呢？？

這個(gè)預(yù)測(cè)的過程其實(shí)只是基于一個(gè)簡(jiǎn)單的公式：z = dot(w,x) + b?？吹竭@個(gè)公式，完全不懂~~不少同學(xué)可能被嚇得小雞雞都萎縮了一截。不用怕，看完我下面的解說后，你就會(huì)覺得其實(shí)它的原理很簡(jiǎn)單。就像玻璃棧道一樣，只是看起來可怕而已。

上面公式中的x代表著輸入特征向量，假設(shè)只有3個(gè)特征，那么x就可以用（x1，x2，x3）來表示。如下圖所示。w表示權(quán)重，它對(duì)應(yīng)于每個(gè)輸入特征，代表了每個(gè)特征的重要程度。b表示閾值[yù zhí]，用來影響預(yù)測(cè)結(jié)果。z就是預(yù)測(cè)結(jié)果。公式中的dot()函數(shù)表示將w和x進(jìn)行向量相乘。（不用怕，在后面的文章《向量化》中我會(huì)用很通俗易懂的語言來給大家介紹向量相乘有關(guān)的高等數(shù)學(xué)知識(shí)）。我們現(xiàn)在只需要知道上面的公式展開后就變成了z = (x1 * w1 + x2 * w2 + x3 * w3) + b。

那么神經(jīng)網(wǎng)絡(luò)到底是如何利用這個(gè)公式來進(jìn)行預(yù)測(cè)的呢？下面我通過一個(gè)實(shí)例來幫助大家理解。

假設(shè)周末即將到來，你聽說在你的城市將會(huì)有一個(gè)音樂節(jié)。我們要預(yù)測(cè)你是否會(huì)決定去參加。音樂節(jié)離地鐵挺遠(yuǎn)，而且你女朋友想讓你陪她宅在家里搞事情，但是天氣預(yù)報(bào)說音樂節(jié)那天天氣特別好。也就是說有3個(gè)因素會(huì)影響你的決定，這3個(gè)因素就可以看作是3個(gè)輸入特征。那你到底會(huì)不會(huì)去呢？你的個(gè)人喜好——你對(duì)上面3個(gè)因素的重視程度——會(huì)影響你的決定。這3個(gè)重視程度就是3個(gè)權(quán)重。

如果你覺得地鐵遠(yuǎn)近無所謂，并且已經(jīng)精力衰竭不太想搞事情了，而且你很喜歡藍(lán)天白云，那么我們將預(yù)測(cè)你會(huì)去音樂節(jié)。這個(gè)預(yù)測(cè)過程可以用我們的公式來表示。我們假設(shè)結(jié)果z大于0的話就表示會(huì)去，小于0表示不去。又設(shè)閾值b是-5。又設(shè)3個(gè)特征(x1,x2,x3)為(0,0,1)，最后一個(gè)是1，它代表了好天氣。又設(shè)三個(gè)權(quán)重(w1,w2,w3)是(2,2,7)，最后一個(gè)是7表示你很喜歡好天氣。那么就有z = (x1 * w1 + x2 * w2 + x3 * w3) + b = (0 * 2 + 0 * 2 + 1 * 7) + (-5) = 2。預(yù)測(cè)結(jié)果z是2，2大于0，所以預(yù)測(cè)你會(huì)去音樂節(jié)。

如果你最近欲火焚身，并且對(duì)其它兩個(gè)因素并不在意，那么我們預(yù)測(cè)你將不會(huì)去音樂節(jié)。這同樣可以用我們的公式來表示。設(shè)三個(gè)權(quán)重(w1,w2,w3)是(2,7,2)，w2是7表示你有頂穿鋼板的欲火。那么就有z = (x1 * w1 + x2 * w2 + x3 * w3) + b = (0 * 2 + 0 * 7 + 1 * 2) + (-5) = -3。預(yù)測(cè)結(jié)果z是-3，-3小于0，所以預(yù)測(cè)你不會(huì)去，會(huì)呆在家里搞事情。

預(yù)測(cè)圖片里有沒有貓也是通過上面的公式。經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)會(huì)得到一組與貓相關(guān)的權(quán)重。當(dāng)我們把一張圖片輸入到神經(jīng)網(wǎng)絡(luò)中，圖片數(shù)據(jù)會(huì)與這組權(quán)重以及閾值進(jìn)行運(yùn)算，結(jié)果大于0就是有貓，小于0就是沒有貓。

你平時(shí)上網(wǎng)時(shí)有沒有發(fā)現(xiàn)網(wǎng)頁上的廣告都與你之前瀏覽過的東西是有關(guān)聯(lián)的？那是因?yàn)楹芏嗑W(wǎng)站都會(huì)記錄下你平時(shí)的瀏覽喜好，然后把它們作為權(quán)重套入到上面的公式來預(yù)測(cè)你會(huì)購(gòu)買什么。如果你發(fā)現(xiàn)你朋友電腦手機(jī)上的網(wǎng)頁里面老是出現(xiàn)一些情趣用品或SM道具的廣告，那你朋友肯定是個(gè)性情中人。

上面那個(gè)用于預(yù)測(cè)的公式我們業(yè)界稱之為邏輯回歸，這個(gè)名字有點(diǎn)奇怪，大家記住就行了，只是個(gè)名字而已。

最后再稍微提一下激活函數(shù)。在實(shí)際的神經(jīng)網(wǎng)絡(luò)中，我們不能直接用邏輯回歸。必須要在邏輯回歸外面再套上一個(gè)函數(shù)。這個(gè)函數(shù)我們就稱它為激活函數(shù)。激活函數(shù)非常非常重要，如果沒有它，那么神經(jīng)網(wǎng)絡(luò)的智商永遠(yuǎn)高不起來。而且激活函數(shù)又分好多種。后面我會(huì)花好幾篇文章來給大家介紹激活函數(shù)。在本篇文章的末尾，我只給大家簡(jiǎn)單介紹一種叫做sigmoid的激活函數(shù)。它的公式和圖像如下。

我們?cè)谶@里先只介紹它的一個(gè)用途——把z映射到[0,1]之間。上圖中的橫坐標(biāo)是z，縱坐標(biāo)我們用y’來表示，y’就代表了我們最終的預(yù)測(cè)結(jié)果。從圖像可以看出，z越大那么y’就越靠近1，z越小那么y’就越靠近0。那為什么要把預(yù)測(cè)結(jié)果映射到[0,1]之間呢？因?yàn)檫@樣不僅便于神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，也便于我們?nèi)祟愡M(jìn)行理解。例如在預(yù)測(cè)是否有貓的例子中，如果y’是0.8，就說明有80%的概率是有貓的。文章來源地址http://www.zghlxwxcb.cn/news/detail-755501.html

到了這里，關(guān)于人工智能 -- 神經(jīng)網(wǎng)絡(luò)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！