当机器拥有像人类一样的大脑,会怎么样?

本文为 AI 研习社编译的技术博客,原标题 :Machines with brains like ours- An intro to Deep Learning作者 | Mishaal Lakhani翻译 | Disillusion、刘刘1126校对 | 酱番梨 整理 | 菠萝妹原文链接:https://medium.com/@mishaallakhani/machines-with-brains-like-ours-an-intro-to-deep-learning-a5dff4c24e97

生成星系图像,创作莎士比亚风格的作品,将地震预测时间准确度提高50000%,这些事情有什么共同之处吗?

很意外吧,这些都是由人工智能(AI)完成的。机器正变得越来越聪明,学习能力也越来越强,这使它们有别于以前的机器。实际上,人脑本身就是许多智能技术解决问题的灵感来源,它们通过机器学习,特别是深度学习来解决问题。

机器学习是指让电脑获取数据、理解数据、学习数据,然后做出决策,但是我们并不需要对机器进行明确地编程。深度学习是机器学习的一个子领域,它的灵感来源于人类大脑的神经网络(我们的大脑用来处理信息的构造)。这些神经网络被叫做人工神经网络(ANNs),有时也被叫做神经网络、网络、或者模型。它们由一组被称为节点的单元(或者叫做人工神经元)组成,用来将信息从一个神经元传递到另一个神经元(和人类的大脑一样)。

一个基本的人工智能网络

当一个神经元接收、处理和传递信号给另一个神经元时,这个过程称为传输。这个过程主要包含三层:输入层、隐藏层和输出层。

人工神经网络中的层

让我们以卷积神经网络为例,一个可以用于图像分类的人工神经网络。如果我们想让神经网络区分猫和狗,它会经历这些主要步骤。

输入层

高亮的是进入第一个隐藏层的输入节点

每个节点表示通过模型的样本数据集中的单个特征或变量。这一层的节点连接着下一层(即隐藏层)的所有节点。连接有从0到1的权重,表示连接的强度。我们的狗对猫输入层中的一些节点可能是变量,如耳朵大小、皮毛颜色或尾巴长度。

隐藏层

隐藏层是输入和输出之间的任何层。本质上,它们为指向同一个节点的连接计算加权和。这个总和通过一个激活函数传递(我们将在下面更详细地讨论),该激活函数是基于大脑以及不同的刺激如何激活不同的神经元。激活函数的结果被传递到下一层的下一个节点上,并不断重复,直到输出层。

输出层

权重在上述过程中不断变化,直到被完美优化(下面也有更多关于此的内容)。输出层中产生的神经元表示潜在输出的值。在上述示例神经网络中,输出层中的两个节点是网络认为它是什么的概率,例如,75%可能是狗 vs . 25%可能是猫。

训练一个神经网络

训练人工神经网络基本等同于解决一个优化问题。在这里,它试图优化神经元之间的连接权重。在训练过程中,给定的权重值不断更新,以达到最优值。优化依赖于一种优化算法,其中最常用的是随机梯度下降(一种减少损失的算法)。

基本上,这个问题的目标是最小化损失函数。损失函数测量结果的准确性。例如,在训练一个对猫和狗进行分类的神经网络时,会提供标记数据。比如输入了一个狗的图像,网络输出的概率是77%可能狗 vs. 23%可能猫。我们的目标是让狗的可能性为100%(以确保它是一个狗),并最小化可能出现的错误。一物一码系统

它是如何学习的?

一次数据传递称为一个迭代次数。为了学习,神经网络通过多次迭代传递数据,从而使最初给定的随机权重得以发展。为了改进,以给定的输出和梯度(函数d(loss)/d(weight)的导数)乘以学习率(一个介于0.01和0.001之间的数字)来计算损失。

梯度的值与学习率相乘后会变小。旧的权重会被替换为更新后的值。

要牢记每个权重都有一个不同的损失函数梯度值,因此梯度是根据每个权重单独计算的。随着迭代次数的增加,权值不断更新,越来越接近优化值,损失最小化。这种权重的更新本质上学习,因为分配到每个权重的值基于损失函数的影响。溯源管理系统智能物联网

要点

深度学习是机器学习的一个分支,其灵感来源于我们大脑中的神经网络在人工神经网络中有三种主要的层次类型(输入、隐藏和输出)要训练一个人工神经网络,必须更新值以最小化损失函数(输出中有多少错误)神经网络通过多次数据传递进行学习,并迭代权值直到得到优化值


合作伙伴

网站备案:豫ICP备15023476号-1 唯特科技