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

通過使用連接的“神經(jīng)元”結(jié)構，這些網(wǎng)絡可以通過“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)。

這樣的實際實例之一是使用人工神經(jīng)網(wǎng)絡(ANN)識別圖像中的對象。在構建一個識別“貓“圖像的一個系統(tǒng)中，將在包含標記為“貓”的圖像的數(shù)據(jù)集上訓練人工神經(jīng)網(wǎng)絡，該數(shù)據(jù)集可用作任何進行分析的參考點。正如人們可能學會根據(jù)尾巴或皮毛等獨特特征來識別狗一樣，人工神經(jīng)網(wǎng)絡(ANN)也可以通過將每個圖像分解成不同的組成部分(如顏色和形狀)進行識別。

實際上，神經(jīng)網(wǎng)絡提供了位于托管數(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?？梢允褂萌斯ど窠?jīng)網(wǎng)絡(ANN)生成復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系工具。

人工神經(jīng)網(wǎng)絡如何工作

人工神經(jīng)網(wǎng)絡的靈感來自人腦的神經(jīng)組織，使用類似于神經(jīng)元的計算節(jié)點構造而成，這些節(jié)點沿著通道(如神經(jīng)突觸的工作方式)進行信息交互。這意味著一個計算節(jié)點的輸出將影響另一個計算節(jié)點的處理。

神經(jīng)網(wǎng)絡標志著人工智能發(fā)展的巨大飛躍，在此之前，人工智能一直依賴于使用預定義的過程和定期的人工干預來產(chǎn)生所需的結(jié)果。人工神經(jīng)網(wǎng)絡可以使分析負載分布在多個互連層的網(wǎng)絡中，每個互連層包含互連節(jié)點。在處理信息并對其進行場景處理之后，信息將傳遞到下一個節(jié)點，然后向下傳遞到各個層。這個想法是允許將其他場景信息接入網(wǎng)絡，以通知每個階段的處理。

單個“隱藏”層神經(jīng)網(wǎng)絡的基本結(jié)構

就像漁網(wǎng)的結(jié)構一樣，神經(jīng)網(wǎng)絡的一個單層使用鏈將處理節(jié)點連接在一起。大量的連接使這些節(jié)點之間的通信得到增強，從而提高了準確性和數(shù)據(jù)處理吞吐量。

然后，人工神經(jīng)網(wǎng)絡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)絡的性質(zhì)及其任務而變化，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景信息。

人腦是用3D矩陣連接起來的，而不是大量堆疊的圖層。就像人類大腦一樣，節(jié)點在接收到特定刺激時會在人工神經(jīng)網(wǎng)絡上“發(fā)射”信號，并將信號傳遞到另一個節(jié)點。但是，對于人工神經(jīng)網(wǎng)絡，輸入信號定義為實數(shù)，輸出為各種輸入的總和。

這些輸入的值取決于它們的權重，該權重用于增加或減少與正在執(zhí)行的任務相對應的輸入數(shù)據(jù)的重要性。其目標是采用任意數(shù)量的二進制數(shù)值輸入并將其轉(zhuǎn)換為單個二進制數(shù)值輸出。

更復雜的神經(jīng)網(wǎng)絡提高了數(shù)據(jù)分析的復雜性

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

這就是“深度學習”一詞的由來——“深度”部分專門指任何使用多個“隱藏”層的神經(jīng)網(wǎng)絡。

聚會的例子

為了說明人工神經(jīng)網(wǎng)絡在實際中是如何工作的，我們將其簡化為一個實際示例。

想象一下你被邀請參加一個聚會，而你正在決定是否參加，這可能需要權衡利弊，并將各種因素納入決策過程。在此示例中，只選擇三個因素——“我的朋友會去嗎?”、“聚會地點遠嗎?”、“天氣會好嗎?”

通過將這些考慮因素轉(zhuǎn)換為二進制數(shù)值，可以使用人工神經(jīng)網(wǎng)絡對該過程進行建模。例如，我們可以為“天氣”指定一個二進制數(shù)值，即‘1'代表晴天，‘0'代表惡劣天氣。每個決定因素將重復相同的格式。

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

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

神經(jīng)加權

誠然，這是神經(jīng)網(wǎng)絡基本原理的一個非?；镜睦樱Ｍ兄谕怀龆M制值和閾值的概念。然而，決策過程要比這個例子復雜得多，而且通常情況下，一個因素比另一個因素對決策過程的影響更大。

要創(chuàng)建這種變化，可以使用“神經(jīng)加權”——-通過乘以因素的權重來確定因素的二進制值對其他因素的重要性。

盡管示例中的每個注意事項都可能使你難以決策，但你可能會更重視其中一個或兩個因素。如果你不愿意在大雨中出行去聚會，那惡劣的天氣將會超過其他兩個考慮因素。在這一示例中，可以通過賦予更高的權重來更加重視天氣因素的二進制值：

• 天氣= w5
• 朋友= w2
• 距離= w2

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

雖然這是一個簡單的示例，但它提供了基于提供的權重做出決策的概述。如果要將其推斷為圖像識別系統(tǒng)，則是否參加聚會(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，對識別狗進行訓練的系統(tǒng)可以對形狀或顏色賦予更大的權重。

當神經(jīng)網(wǎng)絡處于訓練狀態(tài)時，權重和閾值將設置為隨機值。然后，當訓練數(shù)據(jù)通過網(wǎng)絡傳遞時將不斷進行調(diào)整，直到獲得一致的輸出為止。

神經(jīng)網(wǎng)絡的好處

神經(jīng)網(wǎng)絡可以有機地學習。也就是說，神經(jīng)網(wǎng)絡的輸出結(jié)果并不受輸入數(shù)據(jù)的完全限制。人工神經(jīng)網(wǎng)絡可以概括輸入數(shù)據(jù)，使其在模式識別系統(tǒng)中具有價值。

他們還可以找到實現(xiàn)計算密集型答案的捷徑。人工神經(jīng)網(wǎng)絡可以推斷數(shù)據(jù)點之間的關系，而不是期望數(shù)據(jù)源中的記錄是明確關聯(lián)的。

它們也可以是容錯的。當神經(jīng)網(wǎng)絡擴展到多個系統(tǒng)時，它們可以繞過無法通信的缺失節(jié)點。除了圍繞網(wǎng)絡中不再起作用的部分進行路由之外，人工神經(jīng)網(wǎng)絡還可以通過推理重新生成數(shù)據(jù)，并幫助確定不起作用的節(jié)點。這對于網(wǎng)絡的自診斷和調(diào)試非常有用。

但是，深度神經(jīng)網(wǎng)絡提供的最大優(yōu)勢是能夠處理和聚類非結(jié)構化數(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)構中，每一層節(jié)點都在前一層的輸出上進行訓練，深層神經(jīng)網(wǎng)絡能夠處理大量的這種非結(jié)構化數(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)絡的例子

神經(jīng)網(wǎng)絡應用還有許多示例，可以利用它從復雜或不精確數(shù)據(jù)中獲得見解的能力。

圖像識別人工神經(jīng)網(wǎng)絡可以解決諸如分析特定物體的照片等問題。這種算法可以用來區(qū)分狗和貓。更重要的是，神經(jīng)網(wǎng)絡已經(jīng)被用于只使用細胞形狀信息來診斷癌癥。

近30年來，金融神經(jīng)網(wǎng)絡被用于匯率預測、股票表現(xiàn)和選擇預測。神經(jīng)網(wǎng)絡也被用來確定貸款信用評分，學習正確識別良好的或糟糕的信用風險。而電信神經(jīng)網(wǎng)絡已被電信公司用于通過實時評估網(wǎng)絡流量來優(yōu)化路由和服務質(zhì)量。

原文標題：What is an artificial neural network?，作者：Dale Walker

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