AI必备工具：浅谈神经网络

以科技见证世界改变

作者介绍

殷健源

北京理工大学信号与图像处理专业

研究方向：视频序列中的群体异常行为检测

实习经验：曾在长春中科院光机所图像采集部门和中国人民解放军总医院进行医学图像和信号处理实习。

浅淡神经网络

顾名思义，神经网络是受到人体的神经系统的启发而诞生，在人工智能大热的今天，神经网络成为了越来越多计算机工程中必不可少的一环。那么，什么是神经网络？神经网络的原理是什么？我们借助google开发的基于web端的小程序一步一步带你进入神经网络的世界。

我们先讨论最基本的线性分类问题，如下图所示，我们如何通过神经网络对平面上的点进行分类呢？

很明显，我们在中间加一条直线就可以将问题解决，这也是这类问题被称为线性问题的原因。但是计算机无法直接去生成一条直线去分类，他需要分析数据的特征才能给出分类结果。（计算机的直觉是永远无法超越人类的，这也是计算机无法取代人类的原因）

神经网络的做法是，使用一些基本的特征进行组合，生成我们需要的模型进行分类。每一个特征赋予不同的权重，这样通过足够多的线性特征，赋予不同的权重，我们可以进行任何的线性分类。图中左侧的输入代表特征，线的粗细代表特征的权重。每次通过减小分类的错误率来不断更新权重，最后生成满意的模型。图中的白线将数据进行分类，可以理解为神经网络生成的分类模型。

那么，下图的情况怎么办呢？

利用上一个例子的特征我们永远也无法获得正确的模型。所以，我们要使用新的特征。

这样，问题就得到了解决。这时，又出现了新的问题，请看下一张图。是不是觉得头皮发麻？没关系，神经网络可以轻松解决这一问题。

这就是典型的非线性问题。因为线性特征的组合永远是线性的，所以单纯使用线性特征无法解决上述问题。而神经网络对此主要有两种方法：使用非线性特征（如正弦函数）和将线性特征转换为非线性特征（将线性特征通过非线性函数）。进一步，为了完善性能，我们可以在输入与输出之间增加一层或多层中间层，也叫隐含层。其中心思想是，将输入的初级特征一步一步升级为高级特征，最后生成模型。下图是使用了四个隐含层，最后将分类问题解决。

大家观察上图的分类模型可能会有这样的感受：我们的螺旋形状的数据集为什么会生成这样一个复杂的模型？这就是我们接下来要说的过拟合问题。随着训练的深入，模型越来越符合训练数据。但是因为噪声等原因，训练数据并不能完全反应数据集的情况。所以，过度符合训练数据集的模型不一定是好的模型。下图完美解释了过拟合的危害。

当训练进行到绿线处，模型已经达到了最优。但是继续训练使模型出现过拟合，性能降低。具体的解决方法是，通过惩罚模型的复杂性来避免过拟合。这个方法叫做正则化。这里不再深入研究。

结尾

最后想说，即使AI如此强大，但我们依然要相信自己的能力。虽然神经网络来源于人类的神经系统，但是任何一个复杂的神经网络都远远比不上人类的一个神经细胞精妙！

参考文献：

[1]神经网络https://www.zhihu.com/question/22553761

敢不敢点关注啊？