人工智能神經(jīng)網(wǎng)絡(luò)是什么？

許多人工智能計算機系統(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)的靈感來源于人類大腦中的生物結(jié)構(gòu)。通過使用連接的“神經(jīng)元”結(jié)構(gòu)，這些網(wǎng)絡(luò)可以通過“學習”并在沒有人類參與的情況下處理和評估某些數(shù)據(jù)。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別，可基于相似度來輔助數(shù)據(jù)的聚類和分組。可以使用人工神經(jīng)網(wǎng)絡(luò)(ANN)生成復(fù)雜的垃圾郵件過濾器，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。

人工智能的主流研究方法是連接主義，通過人工構(gòu)建神經(jīng)網(wǎng)絡(luò)的方式模擬人類智能。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，即ANN )，是20世紀80 年代以來人工智能領(lǐng)域興起的研究熱點。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)借鑒了生物神經(jīng)網(wǎng)絡(luò)的思想，是超級簡化版的生物神經(jīng)網(wǎng)絡(luò)。以工程技術(shù)手段模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，通過大量的非線性并行處理器模擬人腦中眾多的神經(jīng)元，用處理器復(fù)雜的連接關(guān)系模擬人腦中眾多神經(jīng)元之間的突觸行為。

人工智能與神經(jīng)的作用都是作為事件處理的,象人工智能實現(xiàn)自動處理文檔,模擬生物反應(yīng),神經(jīng)對各種外界刺激作出的反應(yīng),本質(zhì)上都是對事件的處理.人工神經(jīng)網(wǎng)絡(luò)是在研究人腦的奧秘中得到啟發(fā)，試圖用大量的處理單元(人工神經(jīng)元、處理元件、電子元件等)模仿人腦神經(jīng)系統(tǒng)工程結(jié)構(gòu)和工作機理。

人工神經(jīng)網(wǎng)絡(luò)首先為神經(jīng)元之間的連接權(quán)重分配隨機值。ANN正確而準確地執(zhí)行其任務(wù)的關(guān)鍵是將這些權(quán)重調(diào)整為正確的數(shù)字。但是找到合適的權(quán)重并不是一件容易的事，特別是當您處理多層和成千上萬的神經(jīng)元時。通過對帶有注釋示例的網(wǎng)絡(luò)進行“培訓”來完成此校準。例如，如果您要訓練上述圖像分類器，則可以為其提供多張照片，每張照片均標有其相應(yīng)的類別(人，汽車或動物)。當您為它提供越來越多的訓練示例時，神經(jīng)網(wǎng)絡(luò)會逐漸調(diào)整其權(quán)重，以將每個輸入映射到正確的輸出?；旧希柧毱陂g發(fā)生的事情是網(wǎng)絡(luò)進行自我調(diào)整以從數(shù)據(jù)中收集特定模式。同樣，對于圖像分類器網(wǎng)絡(luò)，當您使用質(zhì)量示例訓練AI模型時，每一層都會檢測到特定的特征類別。例如，第一層可能檢測到水平和垂直邊緣，第二層可能檢測到拐角和圓形。在網(wǎng)絡(luò)的更深處，更深的層次將開始挑選出更高級的功能，例如面部和物體。

機器學習是人工智能的核心，是使計算機擁有智能的根本途徑。機器通過學習模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。這其中涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復(fù)雜度理論等多門學科。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)是早期機器學習中的一個重要的算法，神經(jīng)網(wǎng)絡(luò)的原理是受我們大腦的生理結(jié)構(gòu)——互相交叉相連的神經(jīng)元啟發(fā)。但與大腦中一個神經(jīng)元可以連接一定距離內(nèi)的任意神經(jīng)元不同，人工神經(jīng)網(wǎng)絡(luò)具有離散的層、連接和數(shù)據(jù)傳播的方向。

經(jīng)過幾十年的發(fā)展，到目前為止，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展進入了深度學習階段，在這一階段提出了許多新的神經(jīng)網(wǎng)絡(luò)模型，比如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等等。同時，深度學習又為人工神經(jīng)網(wǎng)絡(luò)引入了新的“部件”，比如卷積層、池化層等。如今深度學習已非“人工神經(jīng)網(wǎng)絡(luò)”一詞所能完全替代，可謂是“青出于藍，而勝于藍”，它已發(fā)展出一整套復(fù)雜的知識體系，哪怕只進行概要性地介紹也都會花費大量的篇幅，因此這里不做重點討論?？v觀人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，從生物神經(jīng)元起源，再到多層感知器模型，歷經(jīng)三起兩落，終于成為機器學習算法中的佼佼者。理解人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程，同時掌握各個模型的核心思想，對于后續(xù)知識的學習非常重要。