人工智能深度学习

.人工智能、深度学习、机器学习的关系？

 人工智能  > 机器学习 > 深度学习
1
2.深度学习以神经网络为出发点

神经元
（1）神经元形成网络；
（2）对于从其他神经元传递过来的信号，如果它们的和不超过某个固定大小的值（阙值），则神经元不做出任何反应；
（3）对于从其他神经元传递过来的信号，如果它们的和超过某个固定大小的值（阙值），则神经元做出反应（称为点火），向另外的神经元传递固定强度的信号；
（4）在（2）和（3）中，从多个神经元传递过来的信号之和中，每个信号对应的权重不同；

3.用神经网络实现的人工智能

能够自己学习过去的数据；

4.“人教导机器”类型的的人工智能问题

“人教导机器”类型的的人工智能无法胜任图像、语音的模式识别；

1.2神经元工作的数学表示
1.神经元点火的结构

（1）来自其他神经元的信号之和称为神经元的输入；
（2）如果这个神经元之和超过神经元固有的阙值则点火；
（3）神经元的输出信号可以用数字信号0和1表示，即使有多个输出端，其值也是同一个；

2.用数学式表示神经元点火的结构

（1）输入信号：有两种信息表示：
无输入信号：x=0
有输入信号：x=1
(2)输出信号：有两种信息表示：
无输入信号：y=0
有输入信号：y=1
即使有多个输出端，输出信号的大小也相同；

3.点火的判定条件

（1）输入信号之和： w1x1 + w2x2 + w3x3
式中w1、w2、w3是x1、x2、x3的权重（weight）
（2）判定条件
无输入信号：y=0 ：w1x1 + w2x2 + w3x3 < r
有输入信号：y=1 ：w1x1 + w2x2 + w3x3 >=r
式中 r 神经元固有的阙值

1.3激活函数：将神经元的工作一般化

1.激活函数

点火的式子：y = u(w1x1 + w2x2 + w3x3 -r) u 是单位阶跃函数，
将该式一般化： y = a(w1x1 +w2x2 + w3x3 -r)----激活函数

2.神经元和神经单元的不同点

	神经元	神经单元
输出值y	0或1	模型允许的任意数值
激活函数	单位阶跃函数	由分析者给出，其中著名的是Sigmoid函数
输出的解释	点火与否	输出单元的兴奋度、反应度、活性度

 Sigmoid函数：

3.偏置

y = a(w1x1 + w2x2 + w3x3 -r)
-> y = a(w1x1 + w2x2 + w3x3 + b) (b --偏置)
加权输入：
z = w1x1 + w2x2 + w3x3 + b ---->z = w1x1 + w2x2 + w3x3 + b*1