本文带来对深度神经收集的通俗介绍。

如今谈人工智能已经绕不开“神经收集”这个词了。人造神经收集粗线条地模仿人脑，使得计算机可以或许大年夜数据中进修。

机械进修这一强大年夜的分支停止了 AI 的穷冬，迎来了人工智能的新时代。简而言之，神经收集可能是今天最具有根本颠覆性的技巧。

看完这篇神经收集的指南，你也可以和别人聊聊深度进修了。为此，我们将尽量不瘦削学公式，而是尽可能用打比方的办法，再加一些动画来解释。

强力思虑

AI 的早期流派之一认为，如不雅您将尽可能多的信息加载到功能强大年夜的计算机中，并尽可能多地供给办法来懂得这些数据，那么计算机就应当可以或许“思虑”。比如 IBM 有名的国际象棋 AI Deep Blue 背后就是这么一个思路：经由过程对棋子可能走出的每一步进行编程，再加上足够的算力，IBM 法度榜样员创建了一台机械，理论上可以计算出每一个可能的动作和结不雅，以词攀来击败敌手。

经由过程这种计算，机械依附于工程师精心预编程的固定规矩——如不雅产生了 A，那么就会产生 B ; 如不雅产生了 C，就做 D——这并不是如仁攀类一样的灵活进修。当然，它是强大年夜的超等计算，但不是“思虑”本身。

在以前十年中，科学家已经复生了一个旧概念，不再依附大年夜型百科全书式记夷看维而是框架性地进行模仿仁攀类思维，以简单而体系的方法分析输入数据。 这种技巧被称为深度进修或神经收集，自20世纪40年代以来一向存在，然则因为今天数据的大年夜量增长—— 图像、视频、语音搜刮、浏览行动等等——以及运算才能晋升而成本降低的处理器，终于开端显示颇┞锋正的威力。

人工神经收集(ANN)是一种算法构造，使得机械可以或许进修一切，大年夜语音敕令、播放列表到音乐创作和图像辨认。典范的 ANN 由数千个互连的人造神经元构成，它们按次序堆叠在一路，以称为层的情势形成数百万个连接。在很多情况下，层仅经由过程输入和输出与它们之前和之后的神经元层互连。(这与仁攀类大年夜脑中的神经元有很大年夜的不合，它们的互连是全方位的。)

这种分层的 ANN 是今天机械进修的重要方法之一，经由过程馈送其大年夜量的标签数据，可以赞助它进修若何解读数据(有时甚至比仁攀类做得更好)。

在最初的卷积层中，成千上万的神经元充当第一组过滤器，搜寻图像中的每个部分和像素，找出模式(pattern)。跟着越来越多的图像被处理，每个神经元逐渐进修过滤特定的特点，这进步了精确性。

以图像辨认为例，它依附于称为卷积神经收集(CNN)的特定类型的神经收集，因为它应用称为卷积的数学过程来以非文字的方法分析图像， 例如辨认部分模糊的对象或仅大年夜某些角度可见的对象。 (还有其他类型的神经收集，包含轮回神经收集和前馈神经收集，然则这些神经收集对于辨认诸如图像的器械不太有效，下面我们会用示例来解释)

神经收集的练习过程

那么神经收集到底是若何进修的? 让我们看一个异常简单但有效的流程，它叫作监督进修。我们为神经收集供给了大年夜量的仁攀类标记的练习数据，以便神经收集可以进行根本的自我检查。

教机械进修

假设这个标签数据分别由苹不雅和橘子的图片构成。照片是数据;“苹不雅”和“橘子”是标签。当输入图像数据时，收集将它们分化为最根本的组件，即边沿、纹理和外形。当图像数据在收集中传递时，这些根本组件被组合以形成更抽象的概念，即曲线和不合的色彩，这些元素在进一步组应时，就开端看起来像茎、全部的橘子，或是绿色和红色的苹不雅。

在这个过程的最后，收集试图对图片中的内容进行猜测。起首，这些猜测将显示为随机猜测，因为真正的进修还未产生。如不雅输入图像是苹不雅，但猜测为“橘子”，则收集的内部层须要被调剂。

调剂的过程称为反向传播，以增长下一次将同一图像猜测成“苹不雅”的可能性。这一过程持续进行，直到猜测的精确度不再晋升。正如父母教孩子们在实际生活中认苹不雅和橘子一样，对于计算机来说，练习培养完美。如不雅你如今已经认为“这不就是进修吗?”，那你可能很合适搞人工智能。

很多很独裁……

机械——它们和我们很像

平日，卷积神经收集除了输入和输出层之外还有四个根本的神经元层：

• 卷积层(Convolution)
• 激活层(Activation)
• 池化层(Pooling)
• 完全连接层(Fully connected)

卷积层

比如图像是苹不雅，一个过滤器可能专注于发明“红色”这一色彩，而另一个过滤器可能会寻找圆形边沿，另一个过滤器则会辨认细细的茎。如不雅你要清理纷乱的地下室，预备在车库搞个大年夜发卖，你就能懂得把一切按不合的主题分类是什么意思了(玩具、电子产品、艺术品、衣服等等)。 卷积层就是经由过程将图像分化成不合的特点来做这件事的。

特别强大年夜的是，神经收集赖以成名的绝招与早期的 AI 办法(比如 Deep Blue 顶用到的)不合，这些过滤器不是人工设计的。他们纯粹是经由过程查看数据来进修和自我完美。

卷积层创建了不合的、细分的图像版本，每个专用于不合的过滤特点——显示其神经元在哪里看到了红色、茎、曲线和各类其他元素的实例(但都是部分的) 。但因为卷积层在辨认特点方面相当自由，所以须要额外的一双眼睛，以确保当图片信息在收集中传递时，没有任何有价值的部分被漏掉。

神经收集的一个长处是它们可以或许以非线性的方法进修。如不雅不瘦削学术语解释，它们的意思是可以或许发明不太明显的图像中的特点——树上的苹不雅，阳光下的，暗影下的，或厨房柜台的褪攀里的。这一切都要归功于于激活层，它或多或少地凸起了有价值的器械——一些既清楚明了又难以发明的属性。

　　推荐阅读

　　CDN网络发展趋势：加快与新技术融合创新发展

CDN统??成长过程中，在计算才能、存储才能、收集架构、内容安排等方面，一向赓续立异，接收新的思惟和技巧，持续晋升CDN办事才能和办事质量。跟着云计算、HTTP/2协定、SDN/NFV等技巧的出现，CDN厂商也将陆续开端寻>>>详细阅读

本文标题：一文看懂神经网络工作原理

地址：http://www.17bianji.com/lsqh/34806.html

 1/2    1