「人造大腦」：改變世界的強有力工具

全文共2047字，預計學習時長6分鐘

圖源：unsplash

如果人類已經造出了人造大腦，你會想讓它做什麼呢？寫作業，稱霸股市，還是霸佔世界？人造大腦的可能性是無窮的。事實上，在一定程度上我們已經做到了！人造大腦不像我們的大腦那麼複雜，卻是能改變世界的強有力工具，它就是神經網絡。

神經網絡是什麼？

神經網絡（簡稱NN）是能夠接收、處理並輸出信息的一組連接節點。我們的大腦也是一種神經網絡！它的內部有許許多多生物神經元連接，能夠獲取信息（屏幕上的文字），並將其處理、輸出（理解文字並儲存信息）。

生物神經網絡：

生物神經的簡圖

理解生物神經的工作機制是直觀理解人造神經的關鍵。我們先來看看生物神經的物質構造，再將其與人造神經進行比較。生物神經的構造如下：

· 樹突：接收其它神經的輸入信號。

· 胞體：聯合樹突收集的所有信息並進行計算，它能根據計算判斷是否輸出信號（會根據強度有所差異）。

· 軸突：接受胞體的計算並傳輸信號。

· 軸突末端：向其它神經元輸出信號。

人工神經網絡：

人工神經網絡不是像人腦一樣實體的神經網絡（但它們可以是！），它們實際上只是電腦中運行的軟體！我們先來看看人工神經網絡的構造，再來深究它們是如何相互作用的。

簡化的神經網絡

神經網絡的構成：

· 節點：接收之前節點的輸入，進行計算並輸出。節點與生物意義上神經網絡的胞體、樹突和軸突末端類似。

· 突觸：將一個節點輸出的信號傳輸到下一個節點進行輸入，類似生物神經網絡的軸突。

· 輸入層：輸入數據（以數字的形式）嵌入的部位。

· 隱藏層：不參與輸入輸出的層級（好處：如果層級多於1個，神經網絡就會由簡單神經網絡升級成深度神經網絡）。

· 輸出層：參與神經網絡最終輸出的層。

神經網絡如何工作？

神經網絡的實際工作機制：

· 首先要將輸入數據以數字的形式放置在輸入層中。

· 數據會通過突觸傳送。數據在從節點傳輸到突觸的過程中，會通過參數放大，就會產生一個偏差。這樣就放大或者抑制了信號。

· 這個信號會被歸於下一個節點，會同其它所有的信號整合，傳遞到突觸中。

· 在各個層級中重複「計算+傳送」的步驟。

· 最終的輸出會是一系列數字，能夠轉化為我們想要的結果。

這5個步驟（+另外一個後續會提到的步驟）就是我們的大腦在處理信息時會遵循的步驟。人工神經網絡是模仿我們的大腦建成的！

更複雜些的神經網絡

這張圖片看起來有些複雜，每個層有很多個節點，節點又通過許多突觸連接，但它仍不能反映真實的神經網絡。實際生活中，神經網絡有幾十個層，每一層有上千個節點。雖然過程都是相同的，但仍有這樣的問題存在：電腦是如何將所有數據一一計算出來的呢？

給神經網絡編程

神經網絡中只存在數字，它們由向量（數字列表）表示，以點積的方式相互作用。這樣做是因為計算機處理向量和點積非常迅速。這次再運用矩陣瀏覽一下整個過程：

· 輸入層是輸入數據的向量表示（例如：屬性的單個圖像或單個列表）。

· 在下一層裡，向量會被傳遞給每一個節點。

· 每個節點中會有參數向量來取代突觸。兩個。向量之間會以點乘的方式來產生一個數字。這個數字會產生一個偏差形成輸出

· 整個層會得出很多個輸出結果，結合在一起形成向量。

· 這個向量會被傳送出去。這個過程會一直重複到最後一個層。

有注意到在步驟3中，通過常數放大了輸入，又添加了另一個常數嗎？這聽起來像是9年級學的線性函數！這個函數中需要記憶的等式y=mx+b（在最後）有一個實際運用。y是輸出，m是參數，x是輸入，b是偏差！所以又把步驟3叫做線性層。

你或許還會注意到這個問題：神經網絡中的眾多線性層可以整合為1個層，為什麼還要那麼多層級呢？這是個很好的想法，會在缺失的一個關鍵步驟——非線性中得到處理。

非線性函數：

線性整流函數是最簡單最常見的非線性函數

通過在每個線性層之間添加非線性的方法，就能將它們分隔開！所要做的只是將非線性函數運用到線性層的所有輸出。非線性函數的數量很多。最簡單常用的叫做線性整流函數。瞄準這個函數，因為它理解起來很容易，需要的時間很短。（注意：非線性函數層叫做激活層。）

那麼，為什麼一定要有這麼多層呢？1個層不可以嗎？答案是：通用近似定理。通用近似定理描述了如果有足夠的線性層和非線性層，就可以以任意精度近似任意函數。也就是說，神經網絡可以做任何事。

到這裡，你就已經了解了神經網絡的工作方式，可以深入研究其訓練過程啦！

留言點讚關注

我們一起分享AI學習與發展的乾貨

如轉載，請後臺留言，遵守轉載規範