原创 小白学习神经网络入门讲解

当下大热的人工智能技术的核心技术，其实就是机器学习，而神经网络就是模仿人脑处理方式的一种机器学习算法。因此想要了解人工智能，首要条件就是理解什么是神经网络。它是人工智能的底层模型，许多复杂的应用和高级模型都基于此。本文将用小白都能理解的话，为大家深入浅出的讲解神经网络的运作过程，让大家都能轻松入门神经网络的学习。

一、感知器

历史上，科学家一直希望模拟人的大脑，造出可以思考的机器。人为什么能够思考？科学家发现，原因在于人体的神经网络。外部刺激通过神经末梢，转化为电信号，转导到神经细胞（又叫神经元）。想要入门学习神经网络，神经网络是绕不开的重点。无数神经元构成神经中枢。神经中枢综合各种信号，做出判断。人体根据神经中枢的指令，对外部刺激做出反应。

既然思考的基础是神经元，如果能够"人造神经元"(artificial neuron)，就能组成人工神经网络，模拟思考。上个世纪六十年代，提出了最早的"人造神经元"模型，叫做"感知器"(perceptron)，直到今天还在用。这里举个小白都能看懂的感知器例子：城里正在举办一年一度的游戏动漫展览，小明拿不定主意，周末要不要去参观。他决定考虑三个因素。天气：周末是否晴天？同伴：能否找到人一起去？价格：门票是否可承受？这就构成一个感知器。上面三个因素就是外部输入，最后的决定就是感知器的输出。如果三个因素都是 Yes（使用1表示），输出就是1（去参观）；如果都是 No（使用0表示），输出就是0（不去参观）。

二、权重和阈值

看到这里，你肯定会问：如果某些因素成立，另一些因素不成立，输出是什么？比如，周末是好天气，门票也不贵，但是小明找不到同伴，他还要不要去参观呢？现实中，各种因素很少具有同等重要性：某些因素是决定性因素，另一些因素是次要因素。因此，可以给这些因素指定权重(weight)，代表它们不同的重要性。

天气：权重为8；同伴：权重为4；价格：权重为4。上面的权重表示，天气是决定性因素，同伴和价格都是次要因素。如果三个因素都为1，它们乘以权重的总和就是 8 + 4 + 4 = 16。如果天气和价格因素为1，同伴因素为0，总和就变为 8 + 0 + 4 = 12。这时，还需要指定一个阈值(threshold)。如果总和大于阈值，感知器输出1，否则输出0。假定阈值为8，那么 12 > 8，小明决定去参观。阈值的高低代表了意愿的强烈，阈值越低就表示越想去，越高就越不想去。

三、决策模型

单个的感知器构成了一个简单的决策模型，已经可以拿来用了。真实世界中，实际的决策模型则要复杂得多，是由多个感知器组成的多层网络。下图中，底层感知器接收外部输入，做出判断以后，再发出信号，作为上层感知器的输入，直至得到最后的结果。注意：感知器的输出依然只有一个，但是可以发送给多个目标。

四、神经网络的运作过程

一个神经网络的搭建，需要满足三个条件。其中，最困难的部分就是确定权重(w)和阈值(b)。目前为止，这两个值都是主观给出的，但现实中很难估计它们的值，必需有一种方法，可以找出答案。这种方法就是试错法。其他参数都不变，w(或b)的微小变动，记作Δw(或Δb)，然后观察输出有什么变化。不断重复这个过程，直至得到对应最精确输出的那组w和b，就是我们要的值。这个过程称为模型的训练。输入和输出、权重(w)和阈值(b)和多层感知器的结构。

因此，神经网络的运作过程如下。确定输入和输出；找到一种或多种算法，可以从输入得到输出；找到一组已知答案的数据集，用来训练模型，估算w和b一旦新的数据产生，输入模型，就可以得到结果，同时对w和b进行校正。可以看到，整个过程需要海量计算。所以，神经网络直到最近这几年才有实用价值，而且一般的 CPU 还不行，要使用专门为机器学习定制的 GPU 来计算。

以上就是小白学习神经网络入门的全部讲解，大家都明白了吗？想必大家对于人工智能的核心技术神经网络，已经有了一定的理解。当然这只是入门神经网络的小小一角，想要深入学习神经网络和人工智能的跟多内容，可以上博学谷官网观看线上的学习视频。