現在談人工智慧已經繞不開“神經網路”這個詞了。人造神經網路粗線條地模擬人腦，使得計算機能夠從資料中學習。

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

看完這篇神經網路的指南，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，而是儘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資訊載入到功能強大的計算機中，並儘可能多地提供方法來了解這些資料，那麼計算機就應該能夠“思考”。比如 IBM 著名的國際象棋 AI Deep Blue 背後就是這麼一個思路：通過對棋子可能走出的每一步進行程式設計，再加上足夠的算力，IBM 程式設計師建立了一臺機器，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，機器依賴於工程師精心預程式設計的固定規則——如果發生了 A，那麼就會發生 B ; 如果發生了 C，就做 D——這並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箇舊概念，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資料。 這種技術被稱為深度學習或神經網路，自20世紀40年代以來一直存在，但是由於今天資料的大量增長—— 影象、視訊、語音搜尋、瀏覽行為等等——以及運算能力提升而成本下降的處理器，終於開始顯示其真正的威力。

機器——它們和我們很像

人工神經網路（ANN）是一種演算法結構，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影象識別。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線。在許多情況下，層僅通過輸入和輸出與它們之前和之後的神經元層互連。（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籤資料，可以幫助它學習如何解讀資料（有時甚至比人類做得更好）。

以影象識別為例，它依賴於稱為卷積神經網路（CNN）的特定型別的神經網路，因為它使用稱為卷積的數學過程來以非文字的方式分析影象， 例如識別部分模糊的物件或僅從某些角度可見的物件。 （還有其他型別的神經網路，包括迴圈神經網路和前饋神經網路，但是這些神經網路對於識別諸如影象的東西不太有用，下面我們會用示例來說明）

神經網路的訓練過程

那麼神經網路到底是如何學習的？ 讓我們看一個非常簡單但有效的流程，它叫作監督學習。我們為神經網路提供了大量的人類標記的訓練資料，以便神經網路可以進行基本的自我檢查。

假設這個標籤資料分別由蘋果和橘子的圖片組成。照片是資料;“蘋果”和“橘子”是標籤。當輸入影象資料時，網路將它們分解為最基本的元件，即邊緣、紋理和形狀。當影象資料在網路中傳遞時，這些基本元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。

在這個過程的最後，網路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。如果輸入影象是蘋果，但預測為“橘子”，則網路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影象預測成“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，對於計算機來說，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慧。

很多很多層……

通常，卷積神經網路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）

啟用層（Activation）

池化層（Pooling）

完全連線層（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，搜尋影象中的每個部分和畫素，找出模式（pattern）。隨著越來越多的影象被處理，每個神經元逐漸學習過濾特定的特徵，這提高了準確性。

比如影象是蘋果，一個過濾器可能專注於發現“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麼意思了（玩具、電子產品、藝術品、衣服等等）。 卷積層就是通過將影象分解成不同的特徵來做這件事的。

特別強大的是，神經網路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。他們純粹是通過檢視資料來學習和自我完善。

卷積層建立了不同的、細分的影象版本，每個專用於不同的過濾特徵——顯示其神經元在哪裡看到了紅色、莖、曲線和各種其他元素的例項（但都是部分的） 。但因為卷積層在識別特徵方面相當自由，所以需要額外的一雙眼睛，以確保當圖片資訊在網路中傳遞時，沒有任何有價值的部分被遺漏。

神經網路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影象中的特徵——樹上的蘋果，陽光下的，陰影下的，或廚房櫃檯的碗裡的。這一切都要歸功於於啟用層，它或多或少地突出了有價值的東西——一些既明瞭又難以發現的屬性。

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

整個影象中的這種“卷積”會產生大量的資訊，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），它將每個特徵圖編輯成自己的“讀者文摘”版本，因此只有紅色、莖或曲線的最好樣本被表徵出來。

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裡選擇“激發喜悅”的東西，然後賣掉或處理掉其他東西。 所以現在我們仍然按照物品型別來分類，但只包括實際想要保留的物品。其他一切都賣了。

這時，神經網路的設計師可以堆疊這一分類的後續分層配置——卷積、啟用、池化——並且繼續過濾影象以獲得更高級別的資訊。在識別圖片中的蘋果時，影象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，而隨後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，完全連線層就會起作用。

完全連線層

現在是時候得出結果了。在完全連線層中，每個削減的或“池化的”特徵圖“完全連線”到表徵了神經網路正在學習識別的事物的輸出節點（神經元）上。 如果網路的任務是學習如何發現貓、狗、豚鼠和沙鼠，那麼它將有四個輸出節點。 在我們描述的神經網路中，它將只有兩個輸出節點：一個用於“蘋果”，一個用於“橘子”。

如果通過網路饋送的影象是蘋果，並且網路已經進行了一些訓練，且隨著其預測而變得越來越好，那麼很可能一個很好的特徵圖塊就是包含了蘋果特徵的高質量例項。 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徵圖“投票”。因此，“蘋果”節點認為某圖包含“蘋果”特徵越多，它給該特徵圖的投票就越多。兩個節點都必須對每個特徵圖進行投票，無論它包含什麼。所以在這種情況下，“橘子”節點不會向任何特徵圖投很多票，因為它們並不真正包含任何“橘子”的特徵。最後，投出最多票數的節點（在本例中為“蘋果”節點）可以被認為是網路的“答案”，儘管事實上可能不那麼簡單。

因為同一個網路正在尋找兩個不同的東西——蘋果和橘子——網路的最終輸出以百分比表示。在這種情況下，我們假設網路在訓練中表現已經有所下降了，所以這裡的預測可能就是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，神經網路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，但由於這是使用標記的訓練資料進行監督學習，所以網路能夠通過稱為“反向傳播”的過程來進行系統調整。

避免用數學術語來說，反向傳播將反饋傳送到上一層的節點，告訴它答案差了多少。然後，該層再將反饋傳送到上一層，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後的影象在網路中傳遞時更好地識別資料。

這個過程一直反覆進行，直到神經網路以更準確的方式識別影象中的蘋果和橘子，最終以100％的正確率預測結果——儘管許多工程師認為85％是可以接受的。這時，神經網路已經準備好了，可以開始真正識別圖片中的蘋果了。

原文連結：https://techcrunch.com/2017/04/13/neural-networks-made-easy/