人工神经网络简介

人工智能 (AI) 并不是一个新概念，它已经存在了几十年，但仍有很多未开发之处。您知道吗，关于人工智能的最初想法可以追溯到 40 年代？然而，它仍然是一个处于起步阶段的领域，一个我们仍然知之甚少的概念。关于这个话题也存在很多争议。虽然社区的一部分人准备全力以赴地进入人工智能这个巨大的未知领域，但社区的另一部分人则提出了一些严肃的问题和伦理困境。例如，斯蒂芬·霍金和埃隆·马斯克公开表达了他们的恐惧和担忧，而马克·扎克伯格和雷·库兹韦尔则准备成为半机械人。尽管如此，世界不等人，人工智能的世界更是如此，所以我们来了。

人工智能到底是什么？就像任何新兴领域一样，这个简单的问题仍然没有明确的答案。然而，我们可以描述人工智能的主要目标是什么（当然，除了毁灭人类之外:)）。有些问题类别具有许多微妙的因素，我们无法用算法来描述。这些问题我们人类知道如何通过学习来解决，而计算机不具备这种能力。

计算机可以在眨眼之间完成复杂的数值计算。理论上，它们甚至比人脑拥有更大的处理能力——10⁹ 个晶体管，开关时间为 10^-9 秒，而人脑有 10¹¹ 个神经元，开关时间约为 10^-3 秒。然而，大脑在几乎所有方面都优于计算机。人工智能想要做的是让计算机学习并根据这些知识做出决策。人工智能实现这一目标的工具之一就是神经网络。

神经网络试图模仿大脑具备而计算机不具备的一些能力。其中第一个能力是适应性。正如我之前提到的，理论上计算机在任何方面都应该优于大脑，但计算机是静态的，无法发挥其全部潜力。另一方面，大脑可以说是可重构的。就在上个月，我的牙医不小心伤到了我的一根神经，结果我的部分嘴唇麻木了。几天后，其他神经接管了受损神经的功能，我的嘴唇又恢复正常了。我的牙医给我讲了很多关于人们神经被切断一半却仍能完全康复的故事。

计算机做不到这一点。我还没有听说过计算机在发生错误时会重新配置自己，或者硬盘接管了处理器的功能。另一个问题是，计算机的大部分只是数据存储，这意味着这些部分根本不进行任何处理。另一方面，大脑中的神经一直都在处理数据，而且它们是并行处理的。这就是大脑优于计算机的原因；因为当您阅读本文时，您的大脑中同时发生着无数的小操作。

基本上，这就是人工神经网络试图实现的目标——通过模仿神经系统的行为，将大脑功能引入计算机。从本质上讲，人工神经网络正在模仿自然。

生物学思想背景

那么，神经网络试图模仿哪些自然概念呢？正如您可能知道的，神经系统的最小单位是神经元。这些是具有相似简单结构的细胞。然而，通过持续的通信，这些细胞实现了巨大的处理能力。简单来说，神经元就是开关。如果它们接收到一定量的输入刺激，这些开关就会产生一个输出信号。这个输出信号是另一个神经元的输入。

每个神经元都有这些组成部分

• 细胞体，也称为胞体
• 树突
• 轴突

神经元的细胞体（胞体）执行神经元的基本生命过程。每个神经元都有一个轴突。这是细胞的一个长部分；事实上，其中一些贯穿脊柱的整个长度。它像一根电线，是神经元的输出。另一方面，树突是神经元的输入，每个神经元有多个树突。这些输入和输出，即不同神经元的轴突和树突，即使它们靠得很近，也永远不会相互接触。

轴突和树突之间的这些间隙被称为突触。通过这些突触，信号由神经递质分子携带。有各种各样的神经递质，每种神经递质服务于不同类型的神经元。其中包括著名的血清素和多巴胺。这些化学物质的数量和类型将决定神经元输入的“强度”。而且，如果所有树突上有足够的输入，胞体就会在轴突上“触发”信号，并将其传输到下一个神经元。

神经网络的主要组成部分和概念

在我们深入探讨神经网络的概念和组成部分之前，让我们先思考一下神经网络的目标。我们希望它们能够像我们一样学习某些过程。例如，当我们几次向神经网络展示一张狗的图片后，我们期望下次我们展示它时，我们的网络能够说“好的，那是一只狗”。那么，神经网络是如何做到这一点的呢？

基于神经系统的元素，人工神经网络由小的处理单元——神经元和它们之间带权重的连接组成。连接的权重模拟了神经元之间传递的神经递质数量，如前一章所述。在数学上，我们可以将神经网络定义为一个有序三元组 (N, C, w)，其中 N 是神经元集合，C 是 {(i, j)|i, j ∈ N} 的集合，其元素是神经元 i 和 j 之间的连接，w(i, j) 是神经元 i 和 j 之间连接的权重。

通常，一个神经元将其从许多其他神经元接收到的输出作为其输入。传播函数在考虑连接权重的情况下，将其转换为该神经元的所谓输入网络。通常，这个传播函数只是加权输入的总和——加权和。在数学上，它定义为：net = Σ (i*w)，其中 net 是输入网络，i 是每个单独输入的值，w 是输入值所通过连接的权重。之后，这个输入网络通过一个称为激活函数的东西进行处理。这个函数决定了神经元的输出是否会激活。这个函数模拟了生物胞体的功能，只有当输入上有足够强的刺激时，它才会点燃输出。

每个生物神经元都有一个必须达到的特定阈值，神经元输出才能被激发，因此激活函数必须考虑到这一点。这个函数必须意识到的另一个方面是神经元的先前状态。从生物学上讲，这没有道理，但它简化了这些网络的实现。所以，总而言之，激活函数将神经元的输入网络和神经元的先前状态转换为神经元输出，其中阈值也起着重要作用。

现在，正如我们所看到的，每个神经元都有几个可变的组件：连接权重、传播函数和激活函数。通过修改这些组件的值，我们正在创建学习机制或学习策略。这个机制基本上是我们用来训练我们网络的算法。

到目前为止，我们已经了解到神经网络由神经元、连接组成，并且有一些可调节的参数可以用来创建学习策略，但我还没有提到另一个方面。神经元的组织方式对神经网络也非常重要。这被称为神经网络的拓扑结构。通常，神经元组织成几层。一些神经元仅用于接收来自外部世界的输入——输入神经元层，而另一些则仅用于向外部世界提供输出——输出神经元层。

在这两层之间，可以有可选数量的处理层，称为隐藏神经元层。当然，神经拓扑是一个独立的课题，将在接下来的博客文章中进一步解释，但理解其重要性至关重要。此外，通过这种拓扑结构，我们识别出多种类型的神经网络。您可以在这里找到更多关于神经网络类型的信息。

结论

神经网络是一个有趣且不断发展的话题。此外，这些网络具有广泛的应用范围。目前，它们主要用于预测、分类和自动化，但我猜测我们会发现越来越多的应用。至于毁灭人类和贬低道德价值观，我的看法是人工智能更多地是人类和人类经验的延伸，而不是真正的危险。您怎么看？