當機器擁有像人類一樣的大腦，會怎麼樣？

本文為 AI 研習社編譯的技術博客，原標題 ：

Machines with brains like ours- An intro to Deep Learning

作者 |Mishaal Lakhani

翻譯 | Disillusion、劉劉1126

校對 | 醬番梨       整理 | 菠蘿妹

https://medium.com/@mishaallakhani/machines-with-brains-like-ours-an-intro-to-deep-learning-a5dff4c24e97

生成星系圖像，創作莎士比亞風格的作品，將地震預測時間準確度提高50000%，這些事情有什麼共同之處嗎？

很意外吧，這些都是由人工智慧（AI）完成的。機器正變得越來越聰明，學習能力也越來越強，這使它們有別於以前的機器。實際上，人腦本身就是許多智能技術解決問題的靈感來源，它們通過機器學習，特別是深度學習來解決問題。

機器學習是指讓電腦獲取數據、理解數據、學習數據，然後做出決策，但是我們並不需要對機器進行明確地編程。深度學習是機器學習的一個子領域，它的靈感來源於人類大腦的神經網路（我們的大腦用來處理信息的構造）。這些神經網路被叫做人工神經網路（ANNs），有時也被叫做神經網路、網路、或者模型。它們由一組被稱為節點的單元（或者叫做人工神經元）組成，用來將信息從一個神經元傳遞到另一個神經元（和人類的大腦一樣）。

一個基本的人工智慧網路

當一個神經元接收、處理和傳遞信號給另一個神經元時，這個過程稱為傳輸。這個過程主要包含三層：輸入層、隱藏層和輸出層。

  人工神經網路中的層

讓我們以卷積神經網路為例，一個可以用於圖像分類的人工神經網路。如果我們想讓神經網路區分貓和狗，它會經歷這些主要步驟。

輸入層

高亮的是進入第一個隱藏層的輸入節點

每個節點表示通過模型的樣本數據集中的單個特徵或變數。這一層的節點連接著下一層（即隱藏層）的所有節點。連接有從0到1的權重，表示連接的強度。我們的狗對貓輸入層中的一些節點可能是變數，如耳朵大小、皮毛顏色或尾巴長度。

隱藏層

隱藏層是輸入和輸出之間的任何層。本質上，它們為指向同一個節點的連接計算加權和。這個總和通過一個激活函數傳遞(我們將在下面更詳細地討論)，該激活函數是基於大腦以及不同的刺激如何激活不同的神經元。激活函數的結果被傳遞到下一層的下一個節點上，並不斷重複，直到輸出層。

輸出層

權重在上述過程中不斷變化，直到被完美優化(下面也有更多關於此的內容)。輸出層中產生的神經元表示潛在輸出的值。在上述示例神經網路中，輸出層中的兩個節點是網路認為它是什麼的概率，例如，75%可能是狗 vs . 25%可能是貓。

  訓練一個神經網路

訓練人工神經網路基本等同於解決一個優化問題。在這裡，它試圖優化神經元之間的連接權重。在訓練過程中，給定的權重值不斷更新，以達到最優值。優化依賴於一種優化演算法，其中最常用的是隨機梯度下降(一種減少損失的演算法)。

基本上，這個問題的目標是最小化損失函數。損失函數測量結果的準確性。例如，在訓練一個對貓和狗進行分類的神經網路時，會提供標記數據。比如輸入了一個狗的圖像，網路輸出的概率是77%可能狗 vs. 23%可能貓。我們的目標是讓狗的可能性為100%(以確保它是一個狗)，並最小化可能出現的錯誤。

  它是如何學習的？

一次數據傳遞稱為一個迭代次數。為了學習，神經網路通過多次迭代傳遞數據，從而使最初給定的隨機權重得以發展。為了改進，以給定的輸出和梯度(函數d(loss)/d(weight)的導數)乘以學習率(一個介於0.01和0.001之間的數字)來計算損失。

梯度的值與學習率相乘後會變小。舊的權重會被替換為更新後的值。

要牢記每個權重都有一個不同的損失函數梯度值，因此梯度是根據每個權重單獨計算的。隨著迭代次數的增加，權值不斷更新，越來越接近優化值，損失最小化。這種權重的更新本質上學習，因為分配到每個權重的值基於損失函數的影響。

  要點

深度學習是機器學習的一個分支，其靈感來源於我們大腦中的神經網路

在人工神經網路中有三種主要的層次類型(輸入、隱藏和輸出)

要訓練一個人工神經網路，必須更新值以最小化損失函數(輸出中有多少錯誤)

神經網路通過多次數據傳遞進行學習，并迭代權值直到得到優化值

感謝你的閱讀！如果你喜歡這篇文章，請留下一些掌聲，關注我的媒體，以及時獲知我在AI方面的進展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！