TIP
本文主要是介绍 神经网络-工作原理简介 。
# 强烈推荐 视频 ：神经网络工作原理可视化 (opens new window)
强烈推荐 视频 ：神经网络工作原理可视化 (opens new window)
# 神经网络通俗指南：一文看懂神经网络工作原理
现在谈人工智能已经绕不开“神经网络”这个词了。人造神经网络粗线条地模拟人脑，使得计算机能够从数据中学习。
机器学习这一强大的分支结束了 AI 的寒冬，迎来了人工智能的新时代。简而言之，神经网络可能是今天最具有根本颠覆性的技术。
看完这篇神经网络的指南，你也可以和别人聊聊深度学习了。为此，我们将尽量不用数学公式，而是尽可能用打比方的方法，再加一些动画来说明。
# 强力思考
AI 的早期流派之一认为，如果您将尽可能多的信息加载到功能强大的计算机中，并尽可能多地提供方法来了解这些数据，那么计算机就应该能够“思考”。比如 IBM 著名的国际象棋 AI Deep Blue 背后就是这么一个思路：通过对棋子可能走出的每一步进行编程，再加上足够的算力，IBM 程序员创建了一台机器，理论上可以计算出每一个可能的动作和结果，以此来击败对手。
通过这种计算，机器依赖于工程师精心预编程的固定规则——如果发生了 A，那么就会发生 B ; 如果发生了 C，就做 D——这并不是如人类一样的灵活学习。当然，它是强大的超级计算，但不是“思考”本身。
# 教机器学习
在过去十年中，科学家已经复活了一个旧概念，不再依赖大型百科全书式记忆库，而是框架性地进行模拟人类思维，以简单而系统的方式分析输入数据。 这种技术被称为深度学习或神经网络，自20世纪40年代以来一直存在，但是由于今天数据的大量增长—— 图像、视频、语音搜索、浏览行为等等——以及运算能力提升而成本下降的处理器，终于开始显示其真正的威力。
# 机器——它们和我们很像
人工神经网络（ANN）是一种算法结构，使得机器能够学习一切，从语音命令、播放列表到音乐创作和图像识别。典型的 ANN 由数千个互连的人造神经元组成，它们按顺序堆叠在一起，以称为层的形式形成数百万个连接。在许多情况下，层仅通过输入和输出与它们之前和之后的神经元层互连。（这与人类大脑中的神经元有很大的不同，它们的互连是全方位的。）
这种分层的 ANN 是今天机器学习的主要方式之一，通过馈送其大量的标签数据，可以帮助它学习如何解读数据（有时甚至比人类做得更好）。
以图像识别为例，它依赖于称为卷积神经网络（CNN）的特定类型的神经网络，因为它使用称为卷积的数学过程来以非文字的方式分析图像， 例如识别部分模糊的对象或仅从某些角度可见的对象。 （还有其他类型的神经网络，包括循环神经网络和前馈神经网络，但是这些神经网络对于识别诸如图像的东西不太有用，下面我们会用示例来说明）
神经网络的训练过程
那么神经网络到底是如何学习的？ 让我们看一个非常简单但有效的流程，它叫作监督学习。我们为神经网络提供了大量的人类标记的训练数据，以便神经网络可以进行基本的自我检查。
假设这个标签数据分别由苹果和橘子的图片组成。照片是数据;“苹果”和“橘子”是标签。当输入图像数据时，网络将它们分解为最基本的组件，即边缘、纹理和形状。当图像数据在网络中传递时，这些基本组件被组合以形成更抽象的概念，即曲线和不同的颜色，这些元素在进一步组合时，就开始看起来像茎、整个的橘子，或是绿色和红色的苹果。
在这个过程的最后，网络试图对图片中的内容进行预测。首先，这些预测将显示为随机猜测，因为真正的学习还未发生。如果输入图像是苹果，但预测为“橘子”，则网络的内部层需要被调整。
调整的过程称为反向传播，以增加下一次将同一图像预测成“苹果”的可能性。这一过程持续进行，直到预测的准确度不再提升。正如父母教孩子们在现实生活中认苹果和橘子一样，对于计算机来说，训练造就完美。如果你现在已经觉得“这不就是学习吗？”，那你可能很适合搞人工智能。
很多很多层……
通常，卷积神经网络除了输入和输出层之外还有四个基本的神经元层：
卷积层（Convolution）
激活层（Activation）
池化层（Pooling）
完全连接层（Fully connected）
# 卷积层
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）。随着越来越多的图像被处理，每个神经元逐渐学习过滤特定的特征，这提高了准确性。
比如图像是苹果，一个过滤器可能专注于发现“红色”这一颜色，而另一个过滤器可能会寻找圆形边缘，另一个过滤器则会识别细细的茎。如果你要清理混乱的地下室，准备在车库搞个大销售，你就能理解把一切按不同的主题分类是什么意思了（玩具、电子产品、艺术品、衣服等等）。 卷积层就是通过将图像分解成不同的特征来做这件事的。
特别强大的是，神经网络赖以成名的绝招与早期的 AI 方法（比如 Deep Blue 中用到的）不同，这些过滤器不是人工设计的。他们纯粹是通过查看数据来学习和自我完善。
卷积层创建了不同的、细分的图像版本，每个专用于不同的过滤特征——显示其神经元在哪里看到了红色、茎、曲线和各种其他元素的实例（但都是部分的） 。但因为卷积层在识别特征方面相当自由，所以需要额外的一双眼睛，以确保当图片信息在网络中传递时，没有任何有价值的部分被遗漏。
神经网络的一个优点是它们能够以非线性的方式学习。如果不用数学术语解释，它们的意思是能够发现不太明显的图像中的特征——树上的苹果，阳光下的，阴影下的，或厨房柜台的碗里的。这一切都要归功于于激活层，它或多或少地突出了有价值的东西——一些既明了又难以发现的属性。
在我们的车库大甩卖中，想像一下，从每一类东西里我们都挑选了几件珍贵的宝物：书籍，大学时代的经典 T 恤。要命的是，我们可能还不想扔它们。我们把这些“可能”会留下的物品放在它们各自的类别之上，以备再考虑。
# 池化层
整个图像中的这种“卷积”会产生大量的信息，这可能会很快成为一个计算噩梦。进入池化层，可将其全部缩小成更通用和可消化的形式。有很多方法可以解决这个问题，但最受欢迎的是“最大池”（Max Pooling），它将每个特征图编辑成自己的“读者文摘”版本，因此只有红色、茎或曲线的最好样本被表征出来。
在车库春季清理的例子中，如果我们使用著名的日本清理大师 Marie Kondo 的原则，将不得不从每个类别堆中较小的收藏夹里选择“激发喜悦”的东西，然后卖掉或处理掉其他东西。 所以现在我们仍然按照物品类型来分类，但只包括实际想要保留的物品。其他一切都卖了。
这时，神经网络的设计师可以堆叠这一分类的后续分层配置——卷积、激活、池化——并且继续过滤图像以获得更高级别的信息。在识别图片中的苹果时，图像被一遍又一遍地过滤，初始层仅显示边缘的几乎不可辨别的部分，比如红色的一部分或仅仅是茎的尖端，而随后的更多的过滤层将显示整个苹果。无论哪种方式，当开始获取结果时，完全连接层就会起作用。
# 完全连接层
现在是时候得出结果了。在完全连接层中，每个削减的或“池化的”特征图“完全连接”到表征了神经网络正在学习识别的事物的输出节点（神经元）上。 如果网络的任务是学习如何发现猫、狗、豚鼠和沙鼠，那么它将有四个输出节点。 在我们描述的神经网络中，它将只有两个输出节点：一个用于“苹果”，一个用于“橘子”。
如果通过网络馈送的图像是苹果，并且网络已经进行了一些训练，且随着其预测而变得越来越好，那么很可能一个很好的特征图块就是包含了苹果特征的高质量实例。 这是最终输出节点实现使命的地方，反之亦然。
“苹果”和“橘子”节点的工作（他们在工作中学到的）基本上是为包含其各自水果的特征图“投票”。因此，“苹果”节点认为某图包含“苹果”特征越多，它给该特征图的投票就越多。两个节点都必须对每个特征图进行投票，无论它包含什么。所以在这种情况下，“橘子”节点不会向任何特征图投很多票，因为它们并不真正包含任何“橘子”的特征。最后，投出最多票数的节点（在本例中为“苹果”节点）可以被认为是网络的“答案”，尽管事实上可能不那么简单。
因为同一个网络正在寻找两个不同的东西——苹果和橘子——网络的最终输出以百分比表示。在这种情况下，我们假设网络在训练中表现已经有所下降了，所以这里的预测可能就是75％的“苹果”，25％的“橘子”。或者如果是在训练早期，可能会更加不正确，它可能是20％的“苹果”和80％的“橘子”。这可不妙。
如果一开始没成功，再试，再试…
所以，在早期阶段，神经网络可能会以百分比的形式给出一堆错误的答案。 20％的“苹果”和80％的“橘子”，预测显然是错误的，但由于这是使用标记的训练数据进行监督学习，所以网络能够通过称为“反向传播”的过程来进行系统调整。
避免用数学术语来说，反向传播将反馈发送到上一层的节点，告诉它答案差了多少。然后，该层再将反馈发送到上一层，再传到上一层，直到它回到卷积层，来进行调整，以帮助每个神经元在随后的图像在网络中传递时更好地识别数据。
这个过程一直反复进行，直到神经网络以更准确的方式识别图像中的苹果和橘子，最终以100％的正确率预测结果——尽管许多工程师认为85％是可以接受的。这时，神经网络已经准备好了，可以开始真正识别图片中的苹果了。
# 参考文章
- https://www.sohu.com/a/135772692_194357
