人工智能入门基础

人工智能入门基础

人工智能是什么？

它们起源何处？

如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ANN的发展。比如，我们过去的计算 能力不够，没有足够多的数据去训练这些模型。使用神经网络会很不舒服，因为它们的表现似乎很随意。但上面所说的每一个因素都在变化。如今，我们的计算机变 得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。

它们是如何工作的？

想象一下，你在沿着人行道行走时看到了一个灯柱，但你以前从未见过它，因此你可能会不慎撞到它并「哎呦」惨叫一声。下一次，你会在这个灯柱旁边几英寸的距离 匆匆而过，你的肩膀可能会碰到它，你再次「哎呦」一声。直到第三次看到这个灯柱，你会远远地躲开它，以确保完全不会碰到它。但此时意外发生了，你在躲开灯 柱的同时却撞到了一个邮箱，但你以前从未见过这个邮箱，你径直撞向它——「灯柱悲剧」的全过程又重现了。这个例子有些过度简化，但这实际上就是反向传播的 工作原理。一个人工神经网络被赋予多个类似案例，然后它试着得出与案例答案相同的答案。当它的输出结果错误时，这个错误会被重新计算，每个神经元和神经突 触的值会通过人工神经网络反向传播，以备下次计算。此过程需要大量案例。为了实际应用，所需案例的数目可能达到数百万。

既然我们理解了人工神经网络以及它们的部分工作原理，我们可能会想到另外一个问题：我们怎么知道我们需要多少神经元？为什么前文要用粗体标出「多层」一词？ 其实，每层人工神经网络就是一个神经元的集合。在为ANN输入数据时我们有输入层，同时还有许多隐藏层，这正是魔法诞生之地。最后，我们还有输出 层，ANN最终的计算结果放置于此供我们使用。

一 个层级本身是神经元的集合。在多层感知机的年代，我们起初认为一个输入层、一个隐藏层和一个输出层就够用了。那时是行得通的。输入几个数字，你仅需要一组 计算，就能得到结果。如果ANN的计算结果不正确，你再往隐藏层上加上更多的神经元就可以了。最后我们终于明白，这么做其实只是在为每个输入和输出创造一 个线性映射。换句话说，我们了解了，一个特定的输入一定对应着一个特定的输出。我们只能处理那些此前见过的输入值，没有任何灵活性。这绝对不是我们想要 的。

如今，深度学习为我们带来了更多的隐藏层，这是我们如今获得了更好的ANN的原因之一，因为我们需要数百个节点和至少几十个层级，这带来了亟需实时追踪的大 量变量。并行程序的进步也使我们能够运行更大的ANN批量计算。我们的人工神经网络正变得如此之大，使我们不能再在整个网络中同时运行一次迭代。我们需要 对整个网络中的子集合进行批量计算，只有完成了一次迭代，才可以应用反向传播。