今天我们来说说人工智能是如何学习的。
大家应该听说过一个词叫卷积神经网络,今天我们就讲其中最基本的单元,神经元。
我们知道,神经元是我们大脑的重要组成部分,是神经系统最基本的结构和功能单位。分为细胞体和突起两部分。细胞体由细胞核、细胞膜、细胞质组成,具有联络和整合输入信息并传出信息的作用。突起有树突和轴突两种。树突短而分枝多,直接由细胞体扩张突出,形成树枝状,其作用是接受其他神经元轴突传来的冲动并传给细胞体。轴突长而分枝少,为粗细均匀的细长突起,其作用是接受外来刺激,再由细胞体传出。
神经元中信息通过电位差来表示,而电位差又由各个地方的阴阳离子浓度来决定。这些离子叫做神经递质。在突触(两个神经元互相接触的地方),这些神经递质被传到另一个神经元中,从而完成信息传递。
人工神经元也一样,进行着类似的功能。下面我们上图:
每个人工神经元通过对输入的数据进行加权来进行处理,加权之后,我们需要设置一个标准,如果结果大于标准,输出值就为1,反之则为0。其中最重要的就是数据的权重。人工神经元需要“学习”来使输出值与期望值相等。即当出现误差时,计算机会改变上一次的权重并再次带入计算。
也就是说,计算机先会随机生成一个方程,类似于ax+by+c=0;
接着把数据点和期望结果一一带入,不断调试方程的系数(也就是之前所谓的标准)。显然,带入的数据点越多,计算机最后的标准也就越准确,对于新的数据点的判断也就越准确。
只要我们输入一个初始值和一组期望输出结果,计算机就会不断迭代直到误差为零,此时,整个“学习”过程就结束了。
那么,这有什么用呢?举个例子,假如机器要扮演的是老鼠的角色,现在有很多个数据点,在坐标系中分布成这样,计算机一开始并不知道哪个是食物,哪个是天敌,便去一个个试,结果发现图中红色为天敌,黑色为食物。
于是计算机便按照上文说的算法迭代出了一条这样的线,作为”学会“的标准,
这条线下的都是食物,这条线上方的都是天敌
现在机器发现了有一个新的点,那他是天敌还是食物呢?只要根据之前学的标准一看便知。
以上介绍的都是单个人工神经元,仅能学习一些关系非常简单的数据点,但在正真机器学习的过程中,有成千上万个这样的神经元,构成了许多层的神经网络,一层一层处理输入的数据,使得可调节的系数非常之多,可学习的数据自然也可以非常复杂了。
以上就是本期机器学习科普的全部内容,如有不懂或建议可以在下方留言提出哦
编者:Roushelfy
领取专属 10元无门槛券
私享最新 技术干货