現在一談到人工智能就繞不開“神經網絡”這個詞。人造神經網絡粗線條地模擬人腦，使得計算機能夠從數據中學習。

機器學習這一強大的分支結束了 AI 的寒冬，迎來了人工智能的新時代。簡而言之，神經網絡可能是今天最具有根本顛覆性的技術。

看完這篇神經網絡的指南，你也可以和別人聊聊深度學習了。為此，我們將盡量不用數學公式，而是盡可能用打比方的方法，再加一些動畫來說明。

強力思考

AI 的早期流派之一認為，如果您將盡可能多的信息加載到功能強大的計算機中，并盡可能多地提供方法來了解這些數據，那么計算機就應該能夠“思考”。比如 IBM 著名的國際象棋 AI Deep Blue 背后就是這么一個思路：通過對棋子可能走出的每一步進行

編程，再加上足夠的算力，IBM 程序員創建了一臺機器，理論上可以計算出每一個可能的動作和結果，以此來擊敗對手。

通過這種計算，機器依賴于工程師精心預編程的固定規則——如果發生了 A，那么就會發生 B ; 如果發生了 C，就做 D——這并不是如人類一樣的靈活學習。當然，它是強大的超級計算，但不是“思考”本身。

教機器學習

在過去十年中，科學家已經復活了一個舊概念，不再依賴大型百科全書式記憶庫，而是框架性地進行模擬人類思維，以簡單而系統的方式分析輸入數據。 這種技術被稱為深度學習或神經網絡，自20世紀40年代以來一直存在，但是由于今天數據的大量增長—— 圖像、視頻、語音搜索、瀏覽行為等等——以及運算能力提升而成本下降的處理器，終于開始顯示其真正的威力。

機器——它們和我們很像

人工神經網絡（ANN）是一種算法結構，使得機器能夠學習一切，從語音命令、播放列表到音樂創作和圖像識別。典型的 ANN 由數千個互連的人造神經元組成，它們按順序堆疊在一起，以稱為層的形式形成數百萬個連接。在許多情況下，層僅通過輸入和輸出與它們之前和之后的神經元層互連。（這與人類大腦中的神經元有很大的不同，它們的互連是全方位的。）

這種分層的 ANN 是今天機器學習的主要方式之一，通過饋送其大量的標簽數據，可以幫助它學習如何解讀數據（有時甚至比人類做得更好）。

以圖像識別為例，它依賴于稱為卷積神經網絡（CNN）的特定類型的神經網絡，因為它使用稱為卷積的數學過程來以非文字的方式分析圖像， 例如識別部分模糊的對象或僅從某些角度可見的對象。 （還有其他類型的神經網絡，包括循環神經網絡和前饋神經網絡，但是這些神經網絡對于識別諸如圖像的東西不太有用，下面我們會用示例來說明）

神經網絡的訓練過程

那么神經網絡到底是如何學習的？ 讓我們看一個非常簡單但有效的流程，它叫作監督學習。我們為神經網絡提供了大量的人類標記的訓練數據，以便神經網絡可以進行基本的自我檢查。

假設這個標簽數據分別由蘋果和橘子的圖片組成。照片是數據;“蘋果”和“橘子”是標簽。當輸入圖像數據時，網絡將它們分解為最基本的組件，即邊緣、紋理和形狀。當圖像數據在網絡中傳遞時，這些基本組件被組合以形成更抽象的概念，即曲線和不同的顏色，這些元素在進一步組合時，就開始看起來像莖、整個的橘子，或是綠色和紅色的蘋果。

在這個過程的最后，網絡試圖對圖片中的內容進行預測。首先，這些預測將顯示為隨機猜測，因為真正的學習還未發生。如果輸入圖像是蘋果，但預測為“橘子”，則網絡的內部層需要被調整。

調整的過程稱為反向傳播，以增加下一次將同一圖像預測成“蘋果”的可能性。這一過程持續進行，直到預測的準確度不再提升。正如父母教孩子們在現實生活中認蘋果和橘子一樣，對于計算機來說，訓練造就完美。如果你現在已經覺得“這不就是學習嗎？”，那你可能很適合搞人工智能。

很多很多層……

通常，卷積神經網絡除了輸入和輸出層之外還有四個基本的神經元層：

• 卷積層（Convolution）
• 激活層（Activation）
• 池化層（Pooling）
• 完全連接層（Fully connected）

卷積層

在最初的卷積層中，成千上萬的神經元充當第一組過濾器，搜尋圖像中的每個部分和像素，找出模式（pattern）。隨著越來越多的圖像被處理，每個神經元逐漸學習過濾特定的特征，這提高了準確性。

比如圖像是蘋果，一個過濾器可能專注于發現“紅色”這一顏色，而另一個過濾器可能會尋找圓形邊緣，另一個過濾器則會識別細細的莖。如果你要清理混亂的地下室，準備在車庫搞個大銷售，你就能理解把一切按不同的主題分類是什么意思了（玩具、電子產品、藝術品、衣服等等）。 卷積層就是通過將圖像分解成不同的特征來做這件事的。

特別強大的是，神經網絡賴以成名的絕招與早期的 AI 方法（比如 Deep Blue 中用到的）不同，這些過濾器不是人工設計的。他們純粹是通過查看數據來學習和自我完善。

 卷積層創建了不同的、細分的圖像版本，每個專用于不同的過濾特征——顯示其神經元在哪里看到了紅色、莖、曲線和各種其他元素的實例（但都是部分的） 。但因為卷積層在識別特征方面相當自由，所以需要額外的一雙眼睛，以確保當圖片信息在網絡中傳遞時，沒有任何有價值的部分被遺漏。

神經網絡的一個優點是它們能夠以非線性的方式學習。如果不用數學術語解釋，它們的意思是能夠發現不太明顯的圖像中的特征——樹上的蘋果，陽光下的，陰影下的，或廚房柜臺的碗里的。這一切都要歸功于于激活層，它或多或少地突出了有價值的東西——一些既明了又難以發現的屬性。

在我們的車庫大甩賣中，想像一下，從每一類東西里我們都挑選了幾件珍貴的寶物：書籍，大學時代的經典 T 恤。要命的是，我們可能還不想扔它們。我們把這些“可能”會留下的物品放在它們各自的類別之上，以備再考慮。

池化層

整個圖像中的這種“卷積”會產生大量的信息，這可能會很快成為一個計算噩夢。進入池化層，可將其全部縮小成更通用和可消化的形式。有很多方法可以解決這個問題，但最受歡迎的是“最大池”（Max Pooling），它將每個特征圖編輯成自己的“讀者文摘”版本，因此只有紅色、莖或曲線的最好樣本被表征出來。

在車庫春季清理的例子中，如果我們使用著名的日本清理大師 Marie Kondo 的原則，將不得不從每個類別堆中較小的收藏夾里選擇“激發喜悅”的東西，然后賣掉或處理掉其他東西。 所以現在我們仍然按照物品類型來分類，但只包括實際想要保留的物品。其他一切都賣了。

這時，神經網絡的設計師可以堆疊這一分類的后續分層配置——卷積、激活、池化——并且繼續過濾圖像以獲得更高級別的信息。在識別圖片中的蘋果時，圖像被一遍又一遍地過濾，初始層僅顯示邊緣的幾乎不可辨別的部分，比如紅色的一部分或僅僅是莖的尖端，而隨后的更多的過濾層將顯示整個蘋果。無論哪種方式，當開始獲取結果時，完全連接層就會起作用。

完全連接層

現在是時候得出結果了。在完全連接層中，每個削減的或“池化的”特征圖“完全連接”到表征了神經網絡正在學習識別的事物的輸出節點（神經元）上。 如果網絡的任務是學習如何發現貓、狗、豚鼠和沙鼠，那么它將有四個輸出節點。 在我們描述的神經網絡中，它將只有兩個輸出節點：一個用于“蘋果”，一個用于“橘子”。

如果通過網絡饋送的圖像是蘋果，并且網絡已經進行了一些訓練，且隨著其預測而變得越來越好，那么很可能一個很好的特征圖塊就是包含了蘋果特征的高質量實例。 這是最終輸出節點實現使命的地方，反之亦然。

“蘋果”和“橘子”節點的工作（他們在工作中學到的）基本上是為包含其各自水果的特征圖“投票”。因此，“蘋果”節點認為某圖包含“蘋果”特征越多，它給該特征圖的投票就越多。兩個節點都必須對每個特征圖進行投票，無論它包含什么。所以在這種情況下，“橘子”節點不會向任何特征圖投很多票，因為它們并不真正包含任何“橘子”的特征。最后，投出最多票數的節點（在本例中為“蘋果”節點）可以被認為是網絡的“答案”，盡管事實上可能不那么簡單。

因為同一個網絡正在尋找兩個不同的東西——蘋果和橘子——網絡的最終輸出以百分比表示。在這種情況下，我們假設網絡在訓練中表現已經有所下降了，所以這里的預測可能就是75％的“蘋果”，25％的“橘子”。或者如果是在訓練早期，可能會更加不正確，它可能是20％的“蘋果”和80％的“橘子”。這可不妙。

如果一開始沒成功，再試，再試…

所以，在早期階段，神經網絡可能會以百分比的形式給出一堆錯誤的答案。 20％的“蘋果”和80％的“橘子”，預測顯然是錯誤的，但由于這是使用標記的訓練數據進行監督學習，所以網絡能夠通過稱為“反向傳播”的過程來進行系統調整。

避免用數學術語來說，反向傳播將反饋發送到上一層的節點，告訴它答案差了多少。然后，該層再將反饋發送到上一層，再傳到上一層，直到它回到卷積層，來進行調整，以幫助每個神經元在隨后的圖像在網絡中傳遞時更好地識別數據。

這個過程一直反復進行，直到神經網絡以更準確的方式識別圖像中的蘋果和橘子，最終以100％的正確率預測結果——盡管許多工程師認為85％是可以接受的。這時，神經網絡已經準備好了，可以開始真正識別圖片中的蘋果了。

本文來自：新智元，

領域相關：神經網絡工具NeuroSolutions>>