人工智能，深度學習和機器學習，不論你現(xiàn)在是否能夠理解這些概念，你都應該學習。否則三年內(nèi)，你就會像滅絕的恐龍一樣被社會淘汰。

——馬克·庫班（NBA小牛隊老板，億萬富翁）

我們正經(jīng)歷一場大革命，這場革命就是由大數(shù)據(jù)和強大電腦計算能力發(fā)起的。

人工智能的底層模型是"神經(jīng)網(wǎng)絡"（neural network）。許多復雜的應用（比如模式識別、自動控制）和高級模型（比如深度學習）都基于它。學習人工智能，一定是從它開始。

人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是模擬人和動物的神經(jīng)網(wǎng)絡的某種結構和功能的模擬，所以要了解神經(jīng)網(wǎng)絡的工作原理，所以我們首先要了解生物神經(jīng)元。其結構如下圖所示：

從上圖可看出生物神經(jīng)元它包括，細胞體：由細胞核、細胞質(zhì)與細胞膜組成；

軸突：

是從細胞體向外伸出的細長部分，也就是神經(jīng)纖維。軸突是神經(jīng)細胞的輸出端，通過它向外傳出神經(jīng)沖動；

樹突：

是細胞體向外伸出的許多較短的樹枝狀分支。它們是細胞的輸入端，接受來自其它神經(jīng)元的沖動；

突觸：

神經(jīng)元之間相互連接的地方，既是神經(jīng)末梢與樹突相接觸的交界面。

對于從同一樹突先后傳入的神經(jīng)沖動，以及同一時間從不同樹突輸入的神經(jīng)沖動，神經(jīng)細胞均可加以綜合處理，處理的結果可使細胞膜電位升高；當膜電位升高到一閥值（約40mV），細胞進入興奮狀態(tài)，產(chǎn)生神經(jīng)沖動，并由軸突輸出神經(jīng)沖動；當輸入的沖動減小，綜合處理的結果使膜電位下降，當下降到閥值時。細胞進入抑制狀態(tài)，此時無神經(jīng)沖動輸出?！芭d奮”和“抑制”，神經(jīng)細胞必呈其一。

突觸界面具有脈沖/電位信號轉換功能，即類似于D/A轉換功能。沿軸突和樹突傳遞的是等幅、恒寬、編碼的離散電脈沖信號。細胞中膜電位是連續(xù)的模擬量。

神經(jīng)沖動信號的傳導速度在1～150m/s之間，隨纖維的粗細，髓鞘的有無而不同。

神經(jīng)細胞的重要特點是具有學習功能并有遺忘和疲勞效應?？傊S著對生物神經(jīng)元的深入研究，揭示出神經(jīng)元不是簡單的雙穩(wěn)邏輯元件而是微型生物信息處理機制和控制機。

而人工神經(jīng)網(wǎng)絡的基本原理也就是對生物神經(jīng)元進行盡可能的模擬，當然，以目前的理論水平，制造水平，和應用水平，還與人腦神經(jīng)網(wǎng)絡的有著很大的差別，它只是對人腦神經(jīng)網(wǎng)絡有選擇的，單一的，簡化的構造和性能模擬，從而形成了不同功能的，多種類型的，不同層次的神經(jīng)網(wǎng)絡模型。

人工神經(jīng)網(wǎng)絡具有四個基本特征：

（1）非線性非線性關系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學上表現(xiàn)為一種非線性關系。具有閾值的神經(jīng)元構成的網(wǎng)絡具有更好的性能，可以提高容錯性和存儲容量。

（2）非局限性一個神經(jīng)網(wǎng)絡通常由多個神經(jīng)元廣泛連接而成。

一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。

（3）非常定性人工神經(jīng)網(wǎng)絡具有自適應、自組織、自學習能力。

神經(jīng)網(wǎng)絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程。

（4）非凸性一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。

例如能量函數(shù)，它的極值相應于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導致系統(tǒng)演化的多樣性。

人工神經(jīng)網(wǎng)絡是一種非程序化、適應性、大腦風格的信息處理，其本質(zhì)是通過網(wǎng)絡的變換和動力學行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。它是涉及神經(jīng)科學、思維科學、人工智能、計算機科學等多個領域的交叉學科。

人工神經(jīng)網(wǎng)絡是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術完全不同的機理，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。

典型神經(jīng)網(wǎng)絡

當前最常見的幾種神經(jīng)網(wǎng)絡分別是感知器網(wǎng)絡、BP網(wǎng)絡、柯荷倫網(wǎng)絡、競爭網(wǎng)絡，這幾種網(wǎng)絡各具特點。

1、感知器

感知器的工作原理是使用直線、平面等切割平面或立體空間，將這些平面或空間分成若干不同的區(qū)域，以達到對輸入信號進行分類的目的。感知器在使用前，需要先進行訓練。訓練感知器的主要目的是調(diào)整它的權值。訓練感知器時，通過選擇典型的輸入類型，這些輸入需要能代表所有的輸入類型，然后將這些數(shù)據(jù)輸入到感知器中對感知器進行訓練。訓練之后，感知器網(wǎng)絡的節(jié)點數(shù)及權值得到了調(diào)整。當感知器訓練完成之后，就可以進行工作了。

2、BP 網(wǎng)絡

BP 網(wǎng)絡是當前使用得最多的一種神經(jīng)網(wǎng)絡，它的主要功能是對非線性有理函數(shù)進行逼近，以滿足對非線性系統(tǒng)的控制作用。一般使用最速下降法對 BP 網(wǎng)絡進行訓練，將誤差反向傳播，當有大量的數(shù)據(jù)通過 BP 網(wǎng)絡時，網(wǎng)絡的權值和閾值得到調(diào)整，并使得網(wǎng)絡的誤差系數(shù)降低到最小。下式是不含反饋的神經(jīng)網(wǎng)絡的輸入與輸出關系：

以上表達式不能表示具有反饋方式的神經(jīng)網(wǎng)絡，如果需要表示 BP 網(wǎng)絡，還需要對上式加入反饋部分，如下式所示：

當訓練結束之后，此神經(jīng)網(wǎng)絡即是 BP 網(wǎng)絡，它就可用于對非線性系統(tǒng)的控制。它將輸出反饋到輸入，作為輸入的一部分，以達到對系統(tǒng)權值的持續(xù)調(diào)整，消除非線性影響的作用。

3、競爭網(wǎng)絡

競爭網(wǎng)絡一般用于對大量具有典型特征的數(shù)據(jù)進行分類，它是一種單層網(wǎng)絡，包括輸入層和競爭層，輸入層和競爭層共用一個權值函數(shù)。競爭網(wǎng)絡的訓練和工作并未像其它神經(jīng)網(wǎng)絡那樣明確分開，而是在工作的過程中實現(xiàn)對網(wǎng)絡的訓練。它的訓練方式是無監(jiān)督式的，訓練過程是通過競爭，將獲勝節(jié)點的權值進行調(diào)整，從而使網(wǎng)絡的輸出于輸入間的誤差逐漸減小，在這個競爭過程中，就可以通過輸出的不同，而將輸入分成不同的類型，以實現(xiàn)自動分類的功能。

4、柯荷倫網(wǎng)絡

為了實現(xiàn)對具有概率分布模式的數(shù)據(jù)進行分類，可以利用柯荷倫網(wǎng)絡模型?？潞蓚惥W(wǎng)絡網(wǎng)絡模型與普通的網(wǎng)絡模型很相似，它的不同之處在與它在訓練過程中對節(jié)點的調(diào)整方法的區(qū)別?？潞蓚惥W(wǎng)絡模型對節(jié)點的調(diào)節(jié)方式與競爭網(wǎng)絡的比較相似，都是通過競爭來確定需要調(diào)整的網(wǎng)絡節(jié)點，競爭網(wǎng)絡只需要調(diào)整競爭獲勝的節(jié)點，而柯荷倫網(wǎng)絡除了需要調(diào)整競爭獲勝的網(wǎng)絡節(jié)點，還需要調(diào)整獲勝節(jié)點的臨近節(jié)點。

BP 網(wǎng)絡在智能系統(tǒng)中的應用

1、聯(lián)想記憶

在信號處理、語音和圖像識別等領域，當輸入數(shù)據(jù)具有干擾或需要網(wǎng)絡具有糾錯能力時，就需要網(wǎng)絡能夠識別出這種錯誤，并將其糾正過來。為了能得到具有這種功能的神經(jīng)網(wǎng)絡，可以先將識別對象轉換成網(wǎng)絡的平衡節(jié)點，通過調(diào)整節(jié)點的權值，使其記住這些目標。然后再通過不斷對網(wǎng)絡輸入學習數(shù)據(jù)，使其不斷進行聯(lián)想，最終使目標模型的特征收斂到網(wǎng)絡的平衡節(jié)點上。例如在進行文字處理時，為了能是神經(jīng)網(wǎng)絡具有識別出錯誤文字的功能，可先將特定模型的文字轉化成網(wǎng)絡平衡節(jié)點，然后在對網(wǎng)絡輸入正確的文字，在不斷的訓練過程中，網(wǎng)絡就能實現(xiàn)對錯誤輸入的識別作用。

2、優(yōu)化計算

霍普菲爾德的網(wǎng)絡穩(wěn)定性判別函數(shù)以能量為基礎。當系統(tǒng)不穩(wěn)定時，能量會逐漸減小，并最終趨于穩(wěn)定。在大規(guī)模電力線路的設計過程中，為了使設計的電子線路系統(tǒng)最優(yōu)，就需要對設計不斷進行優(yōu)化。通過對系統(tǒng)網(wǎng)絡進行分析，求解出網(wǎng)絡的最優(yōu)參數(shù)之后，將這些參數(shù)轉換成神經(jīng)網(wǎng)絡中的平衡節(jié)點。在對神經(jīng)網(wǎng)絡進行訓練之后，網(wǎng)絡就可以通過不斷循環(huán)優(yōu)化，最終設計出一個最優(yōu)電子線路系統(tǒng)。

3、影像處理

在人造成像系統(tǒng)中，無論是光學成像，還是聲波成像，以及電磁波成像，由于在對影像進行采集和處理的系統(tǒng)一般是數(shù)字系統(tǒng)，并且數(shù)字信號本身比模擬信號具有更強的抗噪能力，在采集和處理過程中，必須先對影像資料進行數(shù)字化處理，將模擬信號轉換成數(shù)字信號。因此，最終采集到的影像資料都是不連續(xù)的。

當前對影像數(shù)據(jù)的處理主要包括：處理因焦距問題而產(chǎn)生的影像模糊；影像噪聲含量較多時將噪聲處理掉；使用邊緣檢測的方法，得到圖像的特殊屬性。影像處理所涉及的領域也非常寬廣，如對影像進行分類、在醫(yī)學中對藥物反應的影像進行分析等。

在對圖像處理的研究中，主要出現(xiàn)過線性鑒別、遺傳網(wǎng)絡、counter-propagation network 三種主要的處理方法，經(jīng)過比較其處理結果，發(fā)現(xiàn)利用遺傳網(wǎng)絡進行處理的性能最好。

神經(jīng)網(wǎng)絡對圖像進行處理的步驟如下：將原始圖像輸入到網(wǎng)絡中；利用特征提取的方法得到圖像自身的屬性；對圖像特征進行分類；將這些處理結果作為訓練資料或數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡中，通過神經(jīng)網(wǎng)絡的自動分辨功能，分辨出圖形結果。

在實際使用時，先對神經(jīng)網(wǎng)絡進行訓練，再將神經(jīng)網(wǎng)絡投入到實際應用中。利用神經(jīng)網(wǎng)絡進行圖像處理具有諸多實際應用意義，也是當前研究的一個熱點方向。在Google 地圖、對天文圖像的處理及網(wǎng)絡圖像分析等領域，由于資料十分龐大，利用人工進行處理，顯然是不切實際的。為了能快速的得到所需的圖像特征，查找出需要的圖像資料，利用神經(jīng)網(wǎng)絡進行圖像處理，無疑是最好的選擇。

神經(jīng)網(wǎng)絡是一門重要的機器學習技術。它是目前最為火熱的研究方向–深度學習的基礎。學習神經(jīng)網(wǎng)絡不僅可以讓你掌握一門強大的機器學習方法，同時也可以更好地幫助你理解深度學習技術。

審核編輯：湯梓紅