人工智能入门基础.doc

人工智能入门基础对人工智能领域来说，2016年是值得纪念的一年。不仅计算机学得更多更快了，我们也 懂得了如何改进计算机系统。一切都在步入正轨，因此，我们正目睹着前所未有的重大进步：我们有了能用图片来讲故事的程序，有了无人驾驶汽车，甚至有了能够 创作艺术的程序。如果你想要了解2016年的更多进展，请一定要读一读这篇文章。AI技术已逐步成为许多技术的核心，所以，理解一些常用术语和工作原理成为了一件很重要的事。人工智能是什么？人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作人工神经网络（arTIficial neural networks）的技术，简称ANN。这种技术十分粗略地模拟了人脑的结构。值得注意的是，人工神经网络和神经网络是不同的。很多人为了方便起见而把 人工神经网络中的人工二字省略掉，这是不准确的，因为使用人工这个词正是为了与计算神经生物学中的神经网络相区别。以下便是真实的神经元和神经突 触。我 们的ANN中有称作神经元的计算单元。这些人工神经元通过突触连接，这里的突触指的是权重值。这意味着，给定一个数字，一个神经元将执行某种 计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。或者，你也可 以配置多层神经元，这就是深度学习的基础概念。它们起源何处？人工神经网络不是一个新概念。事实上，它们过去的名字不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。20世纪60年代，我们把它称之为感知 机（perceptron），是由McCulloch-Pitts神经元组成。我们甚至还有了偏差感知机。最后，人们开始创造多层感知机，也就是我们今天 通常听到的人工神经网络。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？上面我提到了运行计算的神经元和神经突触。你可能会问：它们如何学习要执行何种计算？从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答 案。这叫做有监督学习。借助于足够多的问题答案案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。通常，这是通过一个叫做反向传播 （backpropagaTIon）的过程实现的。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。