人工智能入门基础

　　对人工智能领域来说，2016年是值得纪念的一年。不仅计算机「学」得更多更快了，我们也 懂得了如何改进计算机系统。一切都在步入正轨，因此，我们正目睹着前所未有的重大进步：我们有了能用图片来讲故事的程序，有了无人驾驶汽车，甚至有了能够 创作艺术的程序。如果你想要了解2016年的更多进展，请一定要读一读这篇文章。AI技术已逐步成为许多技术的核心，所以，理解一些常用术语和工作原理成为了一件很重要的事。

　　人工智能是什么？

　　人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作「人工神经网络」（artificial neural networks）的技术，简称ANN。这种技术十分粗略地模拟了人脑的结构。值得注意的是，人工神经网络和神经网络是不同的。很多人为了方便起见而把 「人工神经网络」中的人工二字省略掉，这是不准确的，因为使用「人工」这个词正是为了与计算神经生物学中的神经网络相区别。以下便是真实的神经元和神经突 触。

　　

　　我 们的ANN中有称作「神经元」的计算单元。这些人工神经元通过「突触」连接，这里的「突触」指的是权重值。这意味着，给定一个数字，一个神经元将执行某种 计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。或者，你也可 以配置多层神经元，这就是深度学习的基础概念。

　　它们起源何处？

　　人工神经网络不是一个新概念。事实上，它们过去的名字不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。20世纪60年代，我们把它称之为感知 机（perceptron），是由McCulloch-Pitts神经元组成。我们甚至还有了偏差感知机。最后，人们开始创造多层感知机，也就是我们今天 通常听到的人工神经网络。

　　

　　如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ANN的发展。比如，我们过去的计算 能力不够，没有足够多的数据去训练这些模型。使用神经网络会很不舒服，因为它们的表现似乎很随意。但上面所说的每一个因素都在变化。如今，我们的计算机变 得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。

　　它们是如何工作的？

　　上面我提到了运行计算的神经元和神经突触。你可能会问：「它们如何学习要执行何种计算？」从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答 案。这叫做有监督学习。借助于足够多的「问题－答案」案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。通常，这是通过一个叫做反向传播 （backpropagation）的过程实现的。

　　

　　想象一下，你在沿着人行道行走时看到了一个灯柱，但你以前从未见过它，因此你可能会不慎撞到它并「哎呦」惨叫一声。下一次，你会在这个灯柱旁边几英寸的距离 匆匆而过，你的肩膀可能会碰到它，你再次「哎呦」一声。直到第三次看到这个灯柱，你会远远地躲开它，以确保完全不会碰到它。但此时意外发生了，你在躲开灯 柱的同时却撞到了一个邮箱，但你以前从未见过这个邮箱，你径直撞向它——「灯柱悲剧」的全过程又重现了。这个例子有些过度简化，但这实际上就是反向传播的 工作原理。一个人工神经网络被赋予多个类似案例，然后它试着得出与案例答案相同的答案。当它的输出结果错误时，这个错误会被重新计算，每个神经元和神经突 触的值会通过人工神经网络反向传播，以备下次计算。此过程需要大量案例。为了实际应用，所需案例的数目可能达到数百万。

　　既然我们理解了人工神经网络以及它们的部分工作原理，我们可能会想到另外一个问题：我们怎么知道我们需要多少神经元？为什么前文要用粗体标出「多层」一词？ 其实，每层人工神经网络就是一个神经元的集合。在为ANN输入数据时我们有输入层，同时还有许多隐藏层，这正是魔法诞生之地。最后，我们还有输出 层，ANN最终的计算结果放置于此供我们使用。

　　

　　一 个层级本身是神经元的集合。在多层感知机的年代，我们起初认为一个输入层、一个隐藏层和一个输出层就够用了。那时是行得通的。输入几个数字，你仅需要一组 计算，就能得到结果。如果ANN的计算结果不正确，你再往隐藏层上加上更多的神经元就可以了。最后我们终于明白，这么做其实只是在为每个输入和输出创造一 个线性映射。换句话说，我们了解了，一个特定的输入一定对应着一个特定的输出。我们只能处理那些此前见过的输入值，没有任何灵活性。这绝对不是我们想要 的。

　　如今，深度学习为我们带来了更多的隐藏层，这是我们如今获得了更好的ANN的原因之一，因为我们需要数百个节点和至少几十个层级，这带来了亟需实时追踪的大 量变量。并行程序的进步也使我们能够运行更大的ANN批量计算。我们的人工神经网络正变得如此之大，使我们不能再在整个网络中同时运行一次迭代。我们需要 对整个网络中的子集合进行批量计算，只有完成了一次迭代，才可以应用反向传播。