专栏首页AI研习社当机器拥有像人类一样的大脑,会怎么样?

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。

本文分享自微信公众号 - AI研习社(okweiwu)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-12-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 浅层神经网络

    每当我们听到神经网络的大名时,就会认为它里面有许许多多的隐藏层,但其实还有一种只有少量隐藏层的神经网络,浅神经网络只包含一到两层隐藏层。对浅神经网络的研究可以加...

    AI研习社
  • 传统算法如何转化成神经网络?| 回顾

    在当今AI时代中,CNN和RNN都被广泛关注,并且有很多相关讨论,而最基础的神经网络DNN,它的研究和曝光度却相对较少。DNN是所有其它神经网络的基础,所以对它...

    AI研习社
  • 博客 | 闲话神经网络

    一篇杂文,把之前收集的神经网络点点滴滴串联起来,便于理解,如有不当,麻烦及时指出。

    AI研习社
  • 理解交叉熵作为损失函数在神经网络中的作用

    交叉熵的作用 通过神经网络解决多分类问题时,最常用的一种方式就是在最后一层设置n个输出节点,无论在浅层神经网络还是在CNN中都是如此,比如,在AlexNet中最...

    chaibubble
  • 深度学习与神经网络:BP神经网络

    BP神经网络现在来说是一种比较成熟的网络模型了,因为神经网络对于数字图像处理的先天优势,特别是在图像压缩方面更具有先天的优势,因此,我这一段时间在研究神经网络的...

    云时之间
  • 通过BP神经网络对于图像压缩的实现

    BP神经网络现在来说是一种比较成熟的网络模型了,因为神经网络对于数字图像处理的先天优势,特别是在图像压缩方面更具有先天的优势,因此,我这一段时间在研究神经网络的...

    云时之间
  • 一文了解神经网络的基本原理

    这是简单介绍神经网络的知识,并介绍一种特别的神经网络--多层感知器(Multi Layer Perceptron,MLP)。

    kbsc13
  • MongoDB 日志切换(Rotate Log Files)实战

    d) logRotate.sh //写到计划任务crontab即可(需要expect软件包)

    拓荒者
  • .NET HttpClient扩展

    guokun
  • 机器学习算法基础概念学习总结

    1.基础概念 (1) 10折交叉验证:英文名是10-fold cross-validation,用来测试算法的准确性。是常用的测试方法。将数据集分成10份。轮...

    小莹莹

扫码关注云+社区

领取腾讯云代金券