【51CTO.com快譯】許多人工智能計(jì)算機(jī)系統(tǒng)的核心技術(shù)是人工神經(jīng)網(wǎng)絡(luò)(ANN)，而這種網(wǎng)絡(luò)的靈感來(lái)源于人類大腦中的生物結(jié)構(gòu)。

通過(guò)使用連接的“神經(jīng)元”結(jié)構(gòu)，這些網(wǎng)絡(luò)可以通過(guò)“學(xué)習(xí)”并在沒(méi)有人類參與的情況下處理和評(píng)估某些數(shù)據(jù)。

這樣的實(shí)際實(shí)例之一是使用人工神經(jīng)網(wǎng)絡(luò)(ANN)識(shí)別圖像中的對(duì)象。在構(gòu)建一個(gè)識(shí)別“貓“圖像的一個(gè)系統(tǒng)中，將在包含標(biāo)記為“貓”的圖像的數(shù)據(jù)集上訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，該數(shù)據(jù)集可用作任何進(jìn)行分析的參考點(diǎn)。正如人們可能學(xué)會(huì)根據(jù)尾巴或皮毛等獨(dú)特特征來(lái)識(shí)別狗一樣，人工神經(jīng)網(wǎng)絡(luò)(ANN)也可以通過(guò)將每個(gè)圖像分解成不同的組成部分(如顏色和形狀)進(jìn)行識(shí)別。

實(shí)際上，神經(jīng)網(wǎng)絡(luò)提供了位于托管數(shù)據(jù)之上的排序和分類級(jí)別，可基于相似度來(lái)輔助數(shù)據(jù)的聚類和分組?？梢允褂萌斯ど窠?jīng)網(wǎng)絡(luò)(ANN)生成復(fù)雜的垃圾郵件過(guò)濾器，查找欺詐行為的算法以及可以精確了解情緒的客戶關(guān)系工具。

人工神經(jīng)網(wǎng)絡(luò)如何工作

人工神經(jīng)網(wǎng)絡(luò)的靈感來(lái)自人腦的神經(jīng)組織，使用類似于神經(jīng)元的計(jì)算節(jié)點(diǎn)構(gòu)造而成，這些節(jié)點(diǎn)沿著通道(如神經(jīng)突觸的工作方式)進(jìn)行信息交互。這意味著一個(gè)計(jì)算節(jié)點(diǎn)的輸出將影響另一個(gè)計(jì)算節(jié)點(diǎn)的處理。

神經(jīng)網(wǎng)絡(luò)標(biāo)志著人工智能發(fā)展的巨大飛躍，在此之前，人工智能一直依賴于使用預(yù)定義的過(guò)程和定期的人工干預(yù)來(lái)產(chǎn)生所需的結(jié)果。人工神經(jīng)網(wǎng)絡(luò)可以使分析負(fù)載分布在多個(gè)互連層的網(wǎng)絡(luò)中，每個(gè)互連層包含互連節(jié)點(diǎn)。在處理信息并對(duì)其進(jìn)行場(chǎng)景處理之后，信息將傳遞到下一個(gè)節(jié)點(diǎn)，然后向下傳遞到各個(gè)層。這個(gè)想法是允許將其他場(chǎng)景信息接入網(wǎng)絡(luò)，以通知每個(gè)階段的處理。

單個(gè)“隱藏”層神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

就像漁網(wǎng)的結(jié)構(gòu)一樣，神經(jīng)網(wǎng)絡(luò)的一個(gè)單層使用鏈將處理節(jié)點(diǎn)連接在一起。大量的連接使這些節(jié)點(diǎn)之間的通信得到增強(qiáng)，從而提高了準(zhǔn)確性和數(shù)據(jù)處理吞吐量。

然后，人工神經(jīng)網(wǎng)絡(luò)將許多這樣的層相互疊放以分析數(shù)據(jù)，從而創(chuàng)建從第一層到最后一層的輸入和輸出數(shù)據(jù)流。盡管其層數(shù)將根據(jù)人工神經(jīng)網(wǎng)絡(luò)的性質(zhì)及其任務(wù)而變化，但其想法是將數(shù)據(jù)從一層傳遞到另一層，并隨其添加附加的場(chǎng)景信息。

人腦是用3D矩陣連接起來(lái)的，而不是大量堆疊的圖層。就像人類大腦一樣，節(jié)點(diǎn)在接收到特定刺激時(shí)會(huì)在人工神經(jīng)網(wǎng)絡(luò)上“發(fā)射”信號(hào)，并將信號(hào)傳遞到另一個(gè)節(jié)點(diǎn)。但是，對(duì)于人工神經(jīng)網(wǎng)絡(luò)，輸入信號(hào)定義為實(shí)數(shù)，輸出為各種輸入的總和。

這些輸入的值取決于它們的權(quán)重，該權(quán)重用于增加或減少與正在執(zhí)行的任務(wù)相對(duì)應(yīng)的輸入數(shù)據(jù)的重要性。其目標(biāo)是采用任意數(shù)量的二進(jìn)制數(shù)值輸入并將其轉(zhuǎn)換為單個(gè)二進(jìn)制數(shù)值輸出。

更復(fù)雜的神經(jīng)網(wǎng)絡(luò)提高了數(shù)據(jù)分析的復(fù)雜性

早期的神經(jīng)網(wǎng)絡(luò)模型使用淺層結(jié)構(gòu)，其中只使用一個(gè)輸入和輸出層。而現(xiàn)代的系統(tǒng)由一個(gè)輸入層和一個(gè)輸出層組成，其中輸入層首先將數(shù)據(jù)輸入網(wǎng)絡(luò)，多個(gè)“隱藏”層增加了數(shù)據(jù)分析的復(fù)雜性。

這就是“深度學(xué)習(xí)”一詞的由來(lái)——“深度”部分專門(mén)指任何使用多個(gè)“隱藏”層的神經(jīng)網(wǎng)絡(luò)。

聚會(huì)的例子

為了說(shuō)明人工神經(jīng)網(wǎng)絡(luò)在實(shí)際中是如何工作的，我們將其簡(jiǎn)化為一個(gè)實(shí)際示例。

想象一下你被邀請(qǐng)參加一個(gè)聚會(huì)，而你正在決定是否參加，這可能需要權(quán)衡利弊，并將各種因素納入決策過(guò)程。在此示例中，只選擇三個(gè)因素——“我的朋友會(huì)去嗎?”、“聚會(huì)地點(diǎn)遠(yuǎn)嗎?”、“天氣會(huì)好嗎?”

通過(guò)將這些考慮因素轉(zhuǎn)換為二進(jìn)制數(shù)值，可以使用人工神經(jīng)網(wǎng)絡(luò)對(duì)該過(guò)程進(jìn)行建模。例如，我們可以為“天氣”指定一個(gè)二進(jìn)制數(shù)值，即‘1'代表晴天，‘0'代表惡劣天氣。每個(gè)決定因素將重復(fù)相同的格式。

然而，僅僅賦值是不夠的，因?yàn)檫@不能幫助你做出決定。為此需要定義一個(gè)閾值，即積極因素的數(shù)量超過(guò)消極因素的數(shù)量。根據(jù)二進(jìn)制數(shù)值，合適的閾值可以是“2”。換句話說(shuō)，在決定參加聚會(huì)之前，需要兩個(gè)因素的閾值都是“1”，你才會(huì)決定去參加聚會(huì)。如果你的朋友要參加聚會(huì)(‘1')，并且天氣很好(‘1')，那么這就表示你可以參加聚會(huì)。

如果天氣不好(‘0')，并且聚會(huì)地點(diǎn)很遠(yuǎn)(‘0')，則達(dá)不到這一閾值，即使你的朋友參加(‘1')，你也不會(huì)參加聚會(huì)。

神經(jīng)加權(quán)

誠(chéng)然，這是神經(jīng)網(wǎng)絡(luò)基本原理的一個(gè)非?；镜睦?，但希望它有助于突出二進(jìn)制值和閾值的概念。然而，決策過(guò)程要比這個(gè)例子復(fù)雜得多，而且通常情況下，一個(gè)因素比另一個(gè)因素對(duì)決策過(guò)程的影響更大。

要?jiǎng)?chuàng)建這種變化，可以使用“神經(jīng)加權(quán)”——-通過(guò)乘以因素的權(quán)重來(lái)確定因素的二進(jìn)制值對(duì)其他因素的重要性。

盡管示例中的每個(gè)注意事項(xiàng)都可能使你難以決策，但你可能會(huì)更重視其中一個(gè)或兩個(gè)因素。如果你不愿意在大雨中出行去聚會(huì)，那惡劣的天氣將會(huì)超過(guò)其他兩個(gè)考慮因素。在這一示例中，可以通過(guò)賦予更高的權(quán)重來(lái)更加重視天氣因素的二進(jìn)制值：

• 天氣= w5
• 朋友= w2
• 距離= w2

如果假設(shè)閾值現(xiàn)在已設(shè)置為6，則惡劣的天氣(值為0)將阻止其余輸入達(dá)到所需的閾值，因此該節(jié)點(diǎn)將不會(huì)“觸發(fā)”(這意味著你將決定不參加聚會(huì))。

雖然這是一個(gè)簡(jiǎn)單的示例，但它提供了基于提供的權(quán)重做出決策的概述。如果要將其推斷為圖像識(shí)別系統(tǒng)，則是否參加聚會(huì)(輸入)的各種考慮因素將是給定圖像的折衷特征，即顏色、大小或形狀。例如，對(duì)識(shí)別狗進(jìn)行訓(xùn)練的系統(tǒng)可以對(duì)形狀或顏色賦予更大的權(quán)重。

當(dāng)神經(jīng)網(wǎng)絡(luò)處于訓(xùn)練狀態(tài)時(shí)，權(quán)重和閾值將設(shè)置為隨機(jī)值。然后，當(dāng)訓(xùn)練數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳遞時(shí)將不斷進(jìn)行調(diào)整，直到獲得一致的輸出為止。

神經(jīng)網(wǎng)絡(luò)的好處

神經(jīng)網(wǎng)絡(luò)可以有機(jī)地學(xué)習(xí)。也就是說(shuō)，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果并不受輸入數(shù)據(jù)的完全限制。人工神經(jīng)網(wǎng)絡(luò)可以概括輸入數(shù)據(jù)，使其在模式識(shí)別系統(tǒng)中具有價(jià)值。

他們還可以找到實(shí)現(xiàn)計(jì)算密集型答案的捷徑。人工神經(jīng)網(wǎng)絡(luò)可以推斷數(shù)據(jù)點(diǎn)之間的關(guān)系，而不是期望數(shù)據(jù)源中的記錄是明確關(guān)聯(lián)的。

它們也可以是容錯(cuò)的。當(dāng)神經(jīng)網(wǎng)絡(luò)擴(kuò)展到多個(gè)系統(tǒng)時(shí)，它們可以繞過(guò)無(wú)法通信的缺失節(jié)點(diǎn)。除了圍繞網(wǎng)絡(luò)中不再起作用的部分進(jìn)行路由之外，人工神經(jīng)網(wǎng)絡(luò)還可以通過(guò)推理重新生成數(shù)據(jù)，并幫助確定不起作用的節(jié)點(diǎn)。這對(duì)于網(wǎng)絡(luò)的自診斷和調(diào)試非常有用。

但是，深度神經(jīng)網(wǎng)絡(luò)提供的最大優(yōu)勢(shì)是能夠處理和聚類非結(jié)構(gòu)化數(shù)據(jù)，例如圖片、音頻文件、視頻、文本、數(shù)字等數(shù)據(jù)。在分析層次結(jié)構(gòu)中，每一層節(jié)點(diǎn)都在前一層的輸出上進(jìn)行訓(xùn)練，深層神經(jīng)網(wǎng)絡(luò)能夠處理大量的這種非結(jié)構(gòu)化數(shù)據(jù)，以便在人類處理分析之前找到相似之處。

神經(jīng)網(wǎng)絡(luò)的例子

神經(jīng)網(wǎng)絡(luò)應(yīng)用還有許多示例，可以利用它從復(fù)雜或不精確數(shù)據(jù)中獲得見(jiàn)解的能力。

圖像識(shí)別人工神經(jīng)網(wǎng)絡(luò)可以解決諸如分析特定物體的照片等問(wèn)題。這種算法可以用來(lái)區(qū)分狗和貓。更重要的是，神經(jīng)網(wǎng)絡(luò)已經(jīng)被用于只使用細(xì)胞形狀信息來(lái)診斷癌癥。

近30年來(lái)，金融神經(jīng)網(wǎng)絡(luò)被用于匯率預(yù)測(cè)、股票表現(xiàn)和選擇預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)也被用來(lái)確定貸款信用評(píng)分，學(xué)習(xí)正確識(shí)別良好的或糟糕的信用風(fēng)險(xiǎn)。而電信神經(jīng)網(wǎng)絡(luò)已被電信公司用于通過(guò)實(shí)時(shí)評(píng)估網(wǎng)絡(luò)流量來(lái)優(yōu)化路由和服務(wù)質(zhì)量。

原文標(biāo)題：What is an artificial neural network?，作者：Dale Walker

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】