“拨开迷雾看人工智能”-3分钟带你看懂神秘的神经网络
上一期，我们为你介绍了什么是机器学习和深度学习，今天我们给你讲一讲神秘的神经网络。
神经网络，全称是人工神经网络，顾名思义这是从人类中枢神经系统受到的启发，发明了人工神经网络这个概念。在人工神经网络中，简单的人工节点，称作神经元，连接在一起形成一个类似生物神经网络的网状结构。
神经网络是我们上节课介绍的深度学习的基础，这是一门强大的机器学习方法，可以这么说，正是神经网络快速发展带来的变革，引发了今天人工智能潮流的火爆。
那么，什么是神经网络？
神经网络最重要的用途是分类，为了让你对分类有个直观的认识，我们先看几个例子：
猫狗分类：有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗。
广告识别：现在有一封电子邮件，把出现在里面的所有词汇提取出来，送进一个机器里，机器需要判断这封邮件是否是营销广告邮件。
影像识别：病人把在医院照的X光影像片交给医生，医生把照片送进一个机器里，机器需要判断这个病人是否得病，得的什么病。
这种能自动对输入的东西进行分类的机器，就叫做分类器。
分类器的输入和输出都是一堆数值，比如第一个例子里，分类器的输入是照片，假如每一张照片都是100*100像素的红绿蓝三通道彩色照片，那么分类器的输入就是一个长度为100*100*3=30000的向量。输出的时候，0则表示图片中是狗，输出1则表示是猫。
分类器的目标就是让正确分类的比例尽可能高。一般我们需要首先收集一些样本，人为标记上正确分类结果，然后用这些标记好的数据训练分类器，训练好的分类器就可以在新来的数据上工作了。
好，现在我们以输出猫和狗为例，假设分类器的输入是通过某种途径获得的两个值，输出是0和1，比如分别代表猫和狗。现在有一些样本：
大家想想，最简单地把这两组特征向量分开的方法是啥？当然是在两组数据中间画一条竖直线，直线左边是狗，右边是猫，分类器就完成了。以后来了新的向量，凡是落在直线左边的都是狗，落在右边的都是猫（如下图）。
一条直线把平面一分为二，一个平面把三维空间一分为二，两边分属不同的两类，这种分类器就叫做神经元。
上图的分类器好分，但是下图呢？
当样本的复杂程度增加的时候，一个神经元只能切一刀的缺点就会显露。这时的解决办法是多层神经网络，底层神经元的输出是高层神经元的输入。我们可以在中间横着砍一刀，竖着砍一刀，然后把左上和右下的部分合在一起，与右上的左下部分分开；也可以围着左上角的边沿砍10刀把这一部分先挖出来，然后和右下角合并。
每砍一刀，其实就是使用了一个神经元，把不同砍下的半平面做交、并等运算，就是把这些神经元的输出当作输入，后面再连接一个神经元。这个例子中特征的形状称为异或，这种情况一个神经元搞不定，但是两层神经元就能正确对其进行分类。只要你能砍足够多刀，把结果拼在一起，什么奇怪形状的边界神经网络都能够表示，所以说神经网络在理论上可以表示很复杂的函数/空间分布。
最后我们来说一下神经网络的训练。它依靠反向传播算法：最开始输入层输入特征向量，网络层层计算获得输出，输出层发现输出和正确的类号不一样，这时它就让最后一层神经元进行参数调整，最后一层神经元不仅自己调整参数，还会勒令连接它的倒数第二层神经元调整，层层往回退着调整。经过调整的网络会在样本上继续测试，如果输出还是老分错，继续来一轮回退调整，直到网络输出满意为止。这有点像小米式互联网思维，从用户终端听取意见，优化需求更新产品功能，最终做出用户喜欢的，强参与感的智能手机。
如果形象地打个比方，神经网络就像一个刚开始学习东西的小孩子，开始认东西，作为一个大人（监督者），第一天，他看见一只京巴狗，你告诉他这是狗；第二天他看见一只波斯猫，他开心地说，这是狗，纠正他，这是猫；第三天，他看见一只蝴蝶犬，他又迷惑了，你告诉他这是狗……直到有一天，他可以分清任何一只猫或者狗。
这就是神经网络，你看懂了么？
小结：
神经网络是一种把东西进行分类的机器，它由若干个神经元组成。每个神经元就像一把剪刀，可以把两组数据一分为二；若干个神经元经过剪切、拼接、粘贴之后，最终可以把两个东西区分开（例如区分猫和狗），这就是神经网络。
预告：
下一期，我们将向你介绍神奇的蒙特卡罗算法，结合神经网络，可以为你解析AlaphaGo的工作原理。
如果你感兴趣，请留意关注微信公众号：智能加研究院
 |
神经网络，全称是人工神经网络，顾名思义这是从人类中枢神经系统受到的启发，发明了人工神经网络这个概念。在人工神经网络中，简单的人工节点，称作神经元，连接在一起形成一个类似生物神经网络的网状结构。
神经网络是我们上节课介绍的深度学习的基础，这是一门强大的机器学习方法，可以这么说，正是神经网络快速发展带来的变革，引发了今天人工智能潮流的火爆。
那么，什么是神经网络？
神经网络最重要的用途是分类，为了让你对分类有个直观的认识，我们先看几个例子：
猫狗分类：有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗。
广告识别：现在有一封电子邮件，把出现在里面的所有词汇提取出来，送进一个机器里，机器需要判断这封邮件是否是营销广告邮件。
影像识别：病人把在医院照的X光影像片交给医生，医生把照片送进一个机器里，机器需要判断这个病人是否得病，得的什么病。
这种能自动对输入的东西进行分类的机器，就叫做分类器。
分类器的输入和输出都是一堆数值，比如第一个例子里，分类器的输入是照片，假如每一张照片都是100*100像素的红绿蓝三通道彩色照片，那么分类器的输入就是一个长度为100*100*3=30000的向量。输出的时候，0则表示图片中是狗，输出1则表示是猫。
分类器的目标就是让正确分类的比例尽可能高。一般我们需要首先收集一些样本，人为标记上正确分类结果，然后用这些标记好的数据训练分类器，训练好的分类器就可以在新来的数据上工作了。
好，现在我们以输出猫和狗为例，假设分类器的输入是通过某种途径获得的两个值，输出是0和1，比如分别代表猫和狗。现在有一些样本：
大家想想，最简单地把这两组特征向量分开的方法是啥？当然是在两组数据中间画一条竖直线，直线左边是狗，右边是猫，分类器就完成了。以后来了新的向量，凡是落在直线左边的都是狗，落在右边的都是猫（如下图）。
 |
一条直线把平面一分为二，一个平面把三维空间一分为二，两边分属不同的两类，这种分类器就叫做神经元。
上图的分类器好分，但是下图呢？
 |
当样本的复杂程度增加的时候，一个神经元只能切一刀的缺点就会显露。这时的解决办法是多层神经网络，底层神经元的输出是高层神经元的输入。我们可以在中间横着砍一刀，竖着砍一刀，然后把左上和右下的部分合在一起，与右上的左下部分分开；也可以围着左上角的边沿砍10刀把这一部分先挖出来，然后和右下角合并。
每砍一刀，其实就是使用了一个神经元，把不同砍下的半平面做交、并等运算，就是把这些神经元的输出当作输入，后面再连接一个神经元。这个例子中特征的形状称为异或，这种情况一个神经元搞不定，但是两层神经元就能正确对其进行分类。只要你能砍足够多刀，把结果拼在一起，什么奇怪形状的边界神经网络都能够表示，所以说神经网络在理论上可以表示很复杂的函数/空间分布。
最后我们来说一下神经网络的训练。它依靠反向传播算法：最开始输入层输入特征向量，网络层层计算获得输出，输出层发现输出和正确的类号不一样，这时它就让最后一层神经元进行参数调整，最后一层神经元不仅自己调整参数，还会勒令连接它的倒数第二层神经元调整，层层往回退着调整。经过调整的网络会在样本上继续测试，如果输出还是老分错，继续来一轮回退调整，直到网络输出满意为止。这有点像小米式互联网思维，从用户终端听取意见，优化需求更新产品功能，最终做出用户喜欢的，强参与感的智能手机。
 |
如果形象地打个比方，神经网络就像一个刚开始学习东西的小孩子，开始认东西，作为一个大人（监督者），第一天，他看见一只京巴狗，你告诉他这是狗；第二天他看见一只波斯猫，他开心地说，这是狗，纠正他，这是猫；第三天，他看见一只蝴蝶犬，他又迷惑了，你告诉他这是狗……直到有一天，他可以分清任何一只猫或者狗。
这就是神经网络，你看懂了么？
小结：
神经网络是一种把东西进行分类的机器，它由若干个神经元组成。每个神经元就像一把剪刀，可以把两组数据一分为二；若干个神经元经过剪切、拼接、粘贴之后，最终可以把两个东西区分开（例如区分猫和狗），这就是神经网络。
预告：
下一期，我们将向你介绍神奇的蒙特卡罗算法，结合神经网络，可以为你解析AlaphaGo的工作原理。
如果你感兴趣，请留意关注微信公众号：智能加研究院
