一文说明神经网络，机器学习和深度学习

现在提到人工智能，言必称机器学习，但大多数介绍的文章难以理解，里面有太多的专业词汇和数学词汇。机器学习，深度学习，神经网络，这些都是什么，他们之间的相互关系又是什么？今天，我们用一些更简单的例子来说明。

我现在要做决策是否吃饭，这个决策的输入变量有两个，一是：“饿不饿”，二是：“有钱没”；输出的变量只有一个：“吃不吃”。然后我需要一个计算机程序来帮我做这个决策，而且要尽可能和自己做一样靠谱，不至于把我饿死，或者让我吃霸王餐，这个程序就是人工智能。

“饿不饿”和“有钱没”的权重都有一票否决权，那么这件事的决策模型是什么样呢？

我把这张表写成程序输进电脑，电脑的名字叫“小叽”（你管我为什么这么叫它啊！），然后开始运行，现在是人工智能工作时间：

我：我要不要吃饭啊？

小叽：你饿不饿啊？

我：饿

小叽：你口袋有钱没啊？

我：有

小叽：那你去吃呗。

大吉大利，晚上吃鸡！人工智能得到了正确的答案！

有人要说了，什么鬼！这能叫人工智能？？这就是个AND逻辑好不好！

嗯哼，最简单的人工智能就是这个啊……

别急，现在再加个条件，今天餐馆只卖香菜，而我讨厌香菜，没有饿到半死的时候我是不吃的。于是事情发生了变化：

我把这个表也编成了程序，输进电脑，然后开始测试：

我：我要不要吃饭啊？

小叽：你饿不饿啊？

我：饿

小叽：你口袋有钱没啊？

我：有

小叽：只有香菜哦

我：那我是吃还是不吃呢？

小叽：啊哈哈哈……

电脑显然不知所措，那如何才能让她给出更合我心意的答案呢？

这个时候就要召唤机器学习了。

小叽暗中观察了我的生活一个月，发现我距离上次吃饭时间越久，越倾向于硬着头皮吃香菜，于是她形成了自己的判断：

我：我要不要吃饭啊？

小叽：你饿不饿啊？

我：饿

小叽：你口袋有钱没啊？

我：有

小叽：只有香菜哦

我：那我是吃还是不吃呢？

小叽：你今天去吃的概率是98%，因为为了写这篇文章昨晚就没吃了……

撒花！我们通过监督学习成功的优化了程序，现在它可以就吃饭问题给出正确的判断了，再加上一些外围程序，小叽甚至还可以帮我订外卖……

看明白了吗？机器学习就是通过大量的数据训练，来优化程序中每个特征的权重和偏移，最终得出最接近真相的答案。特征的权重和偏移，就是机器学习的目标。

根据训练的方法不同，机器学习算法可以大致分类为监督学习、无监督学习和强化学习三种。

监督学习，就是训练数据是有标签的，也就是每个数据都是标注过的，是有正确答案的。训练的时候会告诉模型什么是对的，什么的错的，然后找到输入和输出之间正确的映射关系，比如物体种类的图像识别，识别一张图片内容是只狗，还是棵树。

非监督学习，就是训练数据没有标签的，只有部分特征。模型自己分析数据的特征，找到数据别后隐含的架构关系，比如说自己对数据进行学习分类等等，常见的算法有聚类算法，给你一堆数据，将这数据分为几类。比如在银行的数据库中，给你所有客户的消费记录，让你挑选出哪些可以升级成VIP客户，这就是聚类算法。

还有一种是强化学习，目标是建立环境到行为之间的最佳映射。强化学习的训练是不需要数据的，你告诉他规则或者给他明确一个环境，让模型自己通过不断地尝试，自己根据结果来自己摸索。比如Deep Mind的阿尔法元学下围棋。

用一张图来表示上面的决策模型：

恭喜，我们得到了一个人工神经网络！（ANN）

当然，实际上的人工神经网络非常复杂，这里是简化到极点，方便大家理解的。实际各个层级直线的信息传递，也不是线性函数，而是更为复杂的关系。

人的大脑是由无数的神经元组成的，不同的神经元负责处理不同的信息并提取这些信息的特征，再激活不同的神经元，传递和汇总特征，最终得到一个结论。

比如我们在看到下图的时候，首先看到的是不同颜色的色块，然后我们的大脑会按照不同的颜色把色块分开（红色，黑色，白色，灰色），对于每个色块一个颜色和形状的概念（红色的圆环，白色的底色，黑色的文字，灰色的背景），再把这些形状和概念抽象成具体的“含义”（红色圆环上有黑色的数字80，它的背景是灰色的天空，），最后把所有的“含义”组合起来（这是一个悬在空中的限速标识）。

人工神经网络是基于一组称为人造神经元的连接单元（类似于生物脑中的轴突）。神经元之间的每个连接（突触）都可以将信号传送给另一个神经元。接收（突触后）神经元可以处理信号，然后发出与其连接的下游神经元的信号。神经元可能具有状态，通常由实数表示，通常在0和1之间。神经元和突触也可能具有随着学习进行而变化的权重，这可以增加或减小其向下游发送的信号的强度。

通常情况下，神经元是分层组织的。不同的层可能会对其输入执行不同类型的转换。信号从第一个（输入）到最后一个（输出）层传播，可能在多次穿越层之后。

深度学习就建立在多层神经网络的基础上，它：

-使用多层非线性处理单元进行特征提取和转换。每个连续的图层使用前一层的输出作为输入。

-在监督（例如，分类）和/或无监督（例如，模式分析）方式中学习。

-学习对应于不同抽象级别的多级表示; 这些级别构成了概念的层次结构。

深度学习是训练多层神经网络的机器学习方法。目标嘛，当然是为了让程序完善每一级神经网络的参数，从而最终实现功能。

是不是感觉清楚多了？

注：本文参考了一部分许良在知乎上的回答（链接如下），以及维基百科对于人工智能的解释。

https://www.zhihu.com/topic/19813032/top-answers?page=5

长按公众号关注果壳机动，随时保持科技前沿。