当机器拥有像人类一样的大脑，会怎么样？

本文为 AI 研习社编译的技术博客，原标题 ： Machines with brains like ours- An intro to Deep Learning 作者 | Mishaal Lakhani 翻译 | Disillusion、刘刘1126 校对 | 酱番梨 整理 | 菠萝妹 原文链接： https://medium.com/@mishaallakhani/machines-with-brains-like-ours-an-intro-to-deep-learning-a5dff4c24e97 注：本文的相关链接请点击文末【阅读原文】进行访问

生成星系图像，创作莎士比亚风格的作品，将地震预测时间准确度提高50000%，这些事情有什么共同之处吗？

很意外吧，这些都是由人工智能（AI）完成的。机器正变得越来越聪明，学习能力也越来越强，这使它们有别于以前的机器。实际上，人脑本身就是许多智能技术解决问题的灵感来源，它们通过机器学习，特别是深度学习来解决问题。

机器学习是指让电脑获取数据、理解数据、学习数据，然后做出决策，但是我们并不需要对机器进行明确地编程。深度学习是机器学习的一个子领域，它的灵感来源于人类大脑的神经网络（我们的大脑用来处理信息的构造）。这些神经网络被叫做人工神经网络（ANNs），有时也被叫做神经网络、网络、或者模型。它们由一组被称为节点的单元（或者叫做人工神经元）组成，用来将信息从一个神经元传递到另一个神经元（和人类的大脑一样）。

一个基本的人工智能网络

当一个神经元接收、处理和传递信号给另一个神经元时，这个过程称为传输。这个过程主要包含三层：输入层、隐藏层和输出层。

人工神经网络中的层

让我们以卷积神经网络为例，一个可以用于图像分类的人工神经网络。如果我们想让神经网络区分猫和狗，它会经历这些主要步骤。

输入层

高亮的是进入第一个隐藏层的输入节点

每个节点表示通过模型的样本数据集中的单个特征或变量。这一层的节点连接着下一层（即隐藏层）的所有节点。连接有从0到1的权重，表示连接的强度。我们的狗对猫输入层中的一些节点可能是变量，如耳朵大小、皮毛颜色或尾巴长度。

隐藏层

隐藏层是输入和输出之间的任何层。本质上，它们为指向同一个节点的连接计算加权和。这个总和通过一个激活函数传递(我们将在下面更详细地讨论)，该激活函数是基于大脑以及不同的刺激如何激活不同的神经元。激活函数的结果被传递到下一层的下一个节点上，并不断重复，直到输出层。

输出层

权重在上述过程中不断变化，直到被完美优化(下面也有更多关于此的内容)。输出层中产生的神经元表示潜在输出的值。在上述示例神经网络中，输出层中的两个节点是网络认为它是什么的概率，例如，75%可能是狗 vs . 25%可能是猫。

训练一个神经网络

训练人工神经网络基本等同于解决一个优化问题。在这里，它试图优化神经元之间的连接权重。在训练过程中，给定的权重值不断更新，以达到最优值。优化依赖于一种优化算法，其中最常用的是随机梯度下降(一种减少损失的算法)。

基本上，这个问题的目标是最小化损失函数。损失函数测量结果的准确性。例如，在训练一个对猫和狗进行分类的神经网络时，会提供标记数据。比如输入了一个狗的图像，网络输出的概率是77%可能狗 vs. 23%可能猫。我们的目标是让狗的可能性为100%(以确保它是一个狗)，并最小化可能出现的错误。

它是如何学习的？

一次数据传递称为一个迭代次数。为了学习，神经网络通过多次迭代传递数据，从而使最初给定的随机权重得以发展。为了改进，以给定的输出和梯度(函数d(loss)/d(weight)的导数)乘以学习率(一个介于0.01和0.001之间的数字)来计算损失。

梯度的值与学习率相乘后会变小。旧的权重会被替换为更新后的值。

要牢记每个权重都有一个不同的损失函数梯度值，因此梯度是根据每个权重单独计算的。随着迭代次数的增加，权值不断更新，越来越接近优化值，损失最小化。这种权重的更新本质上学习，因为分配到每个权重的值基于损失函数的影响。

要点

• 深度学习是机器学习的一个分支，其灵感来源于我们大脑中的神经网络
• 在人工神经网络中有三种主要的层次类型(输入、隐藏和输出)
• 要训练一个人工神经网络，必须更新值以最小化损失函数(输出中有多少错误)
• 神经网络通过多次数据传递进行学习，并迭代权值直到得到优化值

感谢你的阅读！如果你喜欢这篇文章，请留下一些掌声，关注我的媒体，以及时获知我在AI方面的进展。