觀眾老爺好！這期繼續講人工智慧相關的知識！觀眾老爺請拿出喜歡的零食和飲料，放鬆心情隨小編一起走進智能化資訊時代！
觀眾老爺是否還記得第一期的問題：我們人類是如何學習的？我們如何理解知識的？同樣信息在我們大腦中如何處理的？我們的文字和語言有什麼規律？我們看到的物體如何判斷的？我們對事物的關係如何理解的？我們的世界是什麼樣子的？為什麼可以用模型去擬合呢？那計算機又是如何進行學習的呢？同樣計算機可不可以模擬世界？
觀眾老爺這期講機器學習的神經網絡算法，本來小編想先介紹基於我們人類知識和規則的機器學習的，但想著打鐵要趁熱，上期我們將人類的視覺系統進行了建模，今天咱們了解一下機器學習的人工神經網絡算法，這樣能比對出機器與人的差異，也能深入理解人工智慧算法具體的實現和原理。
神經細胞感知器
感知器相信很多觀眾老爺應該都了解，其實感知器就是視錐體、感受神經、聽覺神經等接受外界信息的神經細胞，單獨一個感知器非常簡單就是幾個輸入和一個輸出，在神經細胞內部有個閥值開關和興奮狀態的觸發條件，只要達到神經興奮要求，就會有輸出信息，輸出到與之相連的下一層神經細胞，當然人工神經算法與我們人類的有區別，但原理卻是近似的。
X1，X2，……，Xn是感知信息輸入，W1，W2，……，Wn是權重值，Y是輸出，累加符號這裡就不去編輯了，word中這個公式符號不好編輯，用數學公式表述：
X=X1*W1+X2*W2+……+Xn*Wn
Y=｛若X大於等於θ，則Y=1；若X小於θ，則Y=-1｝
小編說一下對上述公式的理解：｛X1，X2，……，Xn｝與｛W1，W2，……，Wn｝可以看做兩個多維向量，兩個向量的點積，有著降維計算向量投影大小和向量角度關係，而X則是投影大小的值。具體請觀眾老爺觀看《 計算機如何顯示圖像的？》第七期的內容，裡面有向量相關的知識點。
Y是經過細胞內部的激活函數判定後進行輸出，θ閥值控制這細胞內部的工作機制，當達到輸出條件，激活函數就會輸出，當然這裡的Y判定輸出其實有幾種計算方式，上面用的是SIGN函數做實例Y=sign(X-θ)，激活函數有很多種，這裡不一一列舉觀眾老爺可以去網上查閱資料。Y的輸出取決於我們想得到的結果，如果Y輸出不是我們想得到結果也就是期望結果，可以進行權重閥值調整，相關細節後面章節介紹。
權重和閥值初始化
權重和閥值初始化，常用的做法是進行隨機賦值，為什麼進行隨機處理呢？這裡說一下小編的看法，我們人類在出生之時，對事物的理解是空白的，在我們認知事物時，我們的神經細胞會記錄一些與之相關的特徵或者信號，當下一次看到相似的物品時就會激活神經信號相應的記憶細胞，並進行聯想，比對判斷這個物體是否是認識的物體。這裡舉個例子，小編沒有學過俄語，有天有個朋友介紹一位俄國朋友，這位俄國朋友不會漢語，也不會英語。他說俄語小編沒有辦法進行反饋的，為什麼呢？小編對俄語沒有相應的記憶來進行記錄辨別、認知、反饋啊。小編的大腦是處於空白的，所有的記憶細胞處於不激活狀態，所有的權重是0達不到激活的閥值，這些信息雖然被聽覺神經進行了傳遞，但小編大腦裡是沒有概念的，也就是沒有神經迴路來進行記憶提取，沒有記憶就沒辦法提取信息，也沒辦法認知識別。如果這時候我的朋友進行翻譯，將其翻譯成漢語，那我就能根據我朋友的話進行聽覺信息的接收，到激活相應的話語中字和詞相關的神經元，並進行記憶比對，然後根據相應的話語進行事物的聯想，也就是與之相關的權重和輸入達到閥值要求並激活了小編大腦內與之相關事物的記憶細胞，也就是相關事物的神經迴路。
那我們如果讓機器學習的話就要進行一次權重和閥值進行賦值，不然機器是沒有辦法進行輸出的。而且我們為了讓同一事物，不同樣本得到期望輸出就需要進行權重和閥值的調整。
閥值的意義在多層神經網絡算法中有著形成神經迴路的意義，閥值也有劃分界限的意義。不過小編認為閥值是識別物體的關鍵環節，擬合度與閥值有著很大關係。
觀眾老爺這期就到這裡了！小編會不定期更新！還有觀眾老爺最好將小編的文章都看一遍，小編的文章是編程以及人工智慧的知識講解，過段時間可能還會寫量子計算機相關的內容。小編現在不會去涉及具體的程式語言，希望觀眾老爺諒解，記得關注我哦！