过去十年最有影响力的技术之一是人工神经网络
2022年2月14日整理发布:它是深度学习算法的基础部分,也是人工智能的前沿。你可以感谢神经网络为你每天使用的许多应用程序,例如谷歌的翻译服务、苹果的 Face ID iPhone 锁和亚马逊的 Alexa AI 助手。神经网络也支持其他领域的一些重要人工智能突破,例如诊断皮肤癌和乳腺癌,以及为自动驾驶汽车提供眼睛。
人工神经网络背后的概念和科学已经存在了几十年。但直到过去几年,神经网络的承诺才变成现实,并帮助人工智能行业摆脱了漫长的寒冬。
虽然神经网络帮助人工智能取得了巨大飞跃,但它们也经常被误解。这是您需要了解的有关神经网络的所有信息。
人工神经网络和生物神经网络之间的相似之处
人工智能先驱的最初愿景是复制人类大脑的功能,人类大脑是自然界最聪明、最复杂的已知创造物。这就是为什么该领域的大部分术语(包括“人工智能”一词)来自人类思维的体格和功能。
人工神经网络的灵感来自于它们的生物学对应物。大脑的许多功能仍然是个谜,但我们所知道的是,生物神经网络使大脑能够以复杂的方式处理大量信息。
大脑的生物神经网络由大约 1000 亿个神经元组成,这是大脑的基本处理单元。神经元通过彼此之间的大量连接(称为突触)来执行其功能。人脑有大约 100 万亿个突触,每个神经元大约有 1,000 个。
大脑的每一项功能都涉及电流和化学反应,这些反应贯穿大量的这些神经元。
人工神经网络如何运作
人工神经网络的核心组件是人工神经元。每个神经元接收来自其他几个神经元的输入,将它们乘以分配的权重,将它们相加并将总和传递给一个或多个神经元。一些人工神经元可能会在将输出传递给下一个变量之前将激活函数应用于输出。
从本质上讲,这听起来像是一个非常微不足道的数学运算。但是,当您将成百上千和数百万个神经元放置在多个层中并将它们堆叠在一起时,您将获得一个可以执行非常复杂的任务的人工神经网络,例如对图像进行分类或识别语音。
人工神经网络由一个输入层组成,它从外部来源(数据文件、图像、硬件传感器、麦克风……)接收数据,一个或多个处理数据的隐藏层,以及一个提供一个或多个数据点的输出层基于网络的功能。例如,检测人、汽车和动物的神经网络将具有一个具有三个节点的输出层。将银行交易分类为安全交易和欺诈交易的网络将只有一个输出。
训练人工神经网络
人工神经网络首先为神经元之间连接的权重分配随机值。ANN 正确和准确地执行其任务的关键是将这些权重调整为正确的数字。但是找到正确的权重并不容易,尤其是在处理多层和数千个神经元时。
这种校准是通过使用带注释的示例“训练”网络来完成的。例如,如果你想训练上面提到的图像分类器,你可以提供多张照片,每张照片都标有对应的类别(人、汽车或动物)。随着您提供越来越多的训练示例,神经网络会逐渐调整其权重以将每个输入映射到正确的输出。
基本上,训练期间发生的事情是网络自我调整以从数据中收集特定模式。同样,在图像分类器网络的情况下,当您使用高质量示例训练 AI 模型时,每一层都会检测到特定类别的特征。例如,第一层可能检测水平和垂直边缘,下一层可能检测角和圆形。在网络的更下方,更深的层将开始挑选更高级的特征,例如面部和对象。
当您通过训练有素的神经网络运行新图像时,调整后的神经元权重将能够提取正确的特征并准确地确定图像属于哪个输出类别。
训练神经网络的挑战之一是找到正确数量和质量的训练示例。此外,训练大型 AI 模型需要大量的计算资源。为了克服这一挑战,许多工程师使用“迁移学习”,这是一种训练技术,您可以采用预先训练的模型并使用新的特定领域示例对其进行微调。当已经有一个接近您的用例的 AI 模型时,迁移学习特别有效。