干货 | 一文看懂系列之理解神经网络

【新智元导读】无数文章都在大谈人工智能之热门，人工智能将带来下一场革命，人人都为此兴奋。但对开发者来说，人工智能热意味着什么呢？意味着新的机会、新的挑战，以及学习新事物的激动人心的新旅程。这篇文章适合任何想要开始了解 ANN 以及TensorFlow之类的框架的人。

我们的大脑由数十亿个神经元组成，它们彼此相连接，是控制我们的思维和所有日常行为的重要部分。你可能会注意到神经元细胞的主要部分是细胞体，然后还有一个部分叫轴突（axon），样子有点像一根电线，但它连接着与细胞体相隔有一段距离的一组突触（synapses）。当神经元被激发时，它会将一个峰形的电脉冲沿着轴突传至它的突触，信息在这里发生传递。所以它们很像某种计算单元，非常的复杂。

所以人工神经网络很像一种卡通版本的神经元以及神经元网络，我们实际上是把它们放在一次来计算各种东西。它们的设计方式有一个好处是，它们可以被调整或改变，以在不同的条件下计算不同的东西，并且可以通过学习过程来训练。

这是人工神经网络的示意图。

我们把X1，X2 ... Xn作为神经元的输入，实际上相当于激发的强度或速率。

W1，W2 ... Wn是权重，相当于对触发的敏感性（sensitivity）。

Y是输出。

Xi·Wi的求和被称为激活（activation）。然后我们看这个值是否大于或等于触发阈值（θ），如果是，那么输出为1，如果不是，输出为0。这种网络称为感知机（Perceptron）。它们是单层的，输出是二进制的。

那么怎么用二进制输出表示空间？我们需要获得输出为0的区域和输出为1的区域。

举个例子：

令 W1 = 1/2 ; W2 = 1/2 ; θ = 3/4

当 X1 = 0 时，

X2 * 1/2 = 3/4

X2 = 3/2，即1.5

这意味着，如果X1为零，那么X2需要有一个值，以便打破3/4的阈值。

在1.5这个分割点以上的任何值，都将打破阈值并返回到1。也就是说，上图绿色点以上的任何值将返回1，绿色点以下的任何值将返回0。

类似地：

当 X2 = 0 时，

X1 * 1/2 = 3/4

X1 = 3/2，即1.5

现在，我们应该能注意到这里的关系。它是线性的。

感知机的计算机制与这个完全相同，这被称为半平面（half plane）。线上方的平面是1的答案，线下方平面是0的答案。

有趣的地方是，因为值是0和1，可以有多种可能性。可能性包括：AND、OR、NOT和XOR。

AND

得到线上面的结果的情况只有当X1和X2都为真值（True）时，这是AND的情况。

OR

当X1或X2为1时，输出为1，否则为0。

NOT

这是简单地翻转输出值的情况，当输入为1，则输出变为0，反之亦然。

XOR

XOR的情况不是线性可分的，所以不能用单感知机来表示这个函数（如在NOT中）。但是在网络中添加一个层可以表达XOR。

本文中，我们讨论了最基本的ANN类型（即感知机）及其可执行的运算。我们手动设置权重，然后计算输出，但这不是一个真正的神经网络的工作方式。它们通过训练自己计算权重，这些将在后面的文章讨论。

原文链接：https://blog.dcrucs.co/understanding-artificial-neural-networks-df9d25941793#.abm5seevy