Artificial Neural Networks: How To Understand Them And Why They're Important（译）

原文链接| here

翻译 | 名字里有很多水的小兄弟

---

Shutterstock

即使你仅仅是初涉人工智能领域，你也需要知道人工神经网络。

人工神经网络是以人工智能为核心的系统。它算是一种不仅仅只会阅读二进制代码而是真的会去理解代码的一种系统。神经网络可以处理海量的信息，帮助你去建立一种正确的理解方式。

人们认为理解神经网络的关键是微积分，但是这个系统进行计算的根源却是生物学。以人类大脑为灵感的科学家们创造了这个系统。

所以，到底什么是更好的方法去探索计算我们人类处理信息的方法？

什么是人工神经网络

人工神经网络就是一种计算系统。它由一些简单的处理单元组成。这些单元又是高度互联的。

互联性是神经网络的核心，因为它帮助系统动态的执行操作。恰好系统的动态性帮助计算机挑战‘理解’这项能力。幸运的是，如下有个简单的类比。

科学家受到自然的启发致力于设计一个原始网络。他们的灵感很特别的来自于人类的大脑。人类的大脑有着至少数十亿的神经元连接着身体中的每个单元。这些神经元以一种动态的方式互相的交流沟通使我们的身体做出各种行为。

与人脑相比，人工神经网络在更简单的层次上运行，与人类大脑中的数十亿神经元相比，一个神经网络系统只有几百至多几千个单元连接着。

此外，人工神经网络系统的处理能力远远弱于人类大脑的处理能力。

神经网络是如何工作的：一层层的学习

神经网络的特征是一层层网络的连接。输入层接受信息作为输入，输出层共享信息，两者之间的隐藏层处理信息。

输入节点为接收模式接受来自任何地方的信息。然后输入节点将接收的信息传递给隐藏层处理，解码然后重组信息。处理后的信息不仅仅被传递到就近的节点，而是将信息进行加权然后将可识别的数据发送到正确的节点。

---

PS：此处为译者添加的内容

输入层每个节点都通过加权传递到隐藏层的每个节点，并不是一对一，而是多对多，如果输入层由m个节点，隐藏层由n个节点，那连接就有m*n个，隐藏层也通过加权传递到输出层同样也是多对多，最后再有每个输出节点输出信息，一般这里最后也会再加一层结构做出输出，比如判断对错，输出图片，文字等等。

---

这有个例子:

一个人在街上走着，低头看到一只金毛猎犬。你怎么知道它就是一条金毛猎犬？当然， 你用逻辑思维去判断事物。“金毛猎犬”这个信息，向你展示了一个四条腿的动物，它还有一身毛和一条毛毛的尾巴。它开心的笑脸与你认知中的金毛猎犬是相符合的。

另外，有人曾告诉你“金毛猎犬”这个词，所以你知道你看到的东西的名称是什么。

最后，你的大脑用逻辑思维处理所有这些细节信息，然后得出结论。如果它长的像一只金毛猎犬，并且它走路的样子像金毛猎犬，那么它就是金毛猎犬！

人工神经网络工作模式是相似的， 它接受信息，如：四条腿。基于理论，通过这些信息去建立的规则我们称之为：“学习规则”。

恰如你所被告知的：一个大的，黄颜色的并且有着一张笑脸的狗叫做金毛猎犬，神经网络也是如此，一个神经网络依靠他所经历的事情进行学习。

它和普通的计算机有什么区别？

你可能会如此想：”想必，神经网络的处理方式和常规的计算机的工作方式差的也不是很多啊。“

然而事实是人工神经网络在结构和功能上有着巨大的差异。

传统的计算机拥有一个中央处理器（CPU）读取着从计算机其他结构和内存中传递过来的信息。你的计算机只是像一只训练有素的猴子一样执行动作。如果你给一个它所不认识的信息让它处理，那么它就会报错。（PS：CPU识别的是二进制代码）

人工神经网络不是由中央处理器为主导的。它使用几百个简单的单元从其他处理器收集信息，他们不需要按照特定的规则运作。他们只对给他们的信息的单元进行反馈。

现在你可以看到我们刚才使用的狗的案例的差异了吧。

常规的计算机只有单一的处理器遵守着既定的规则， 如果你的笔记本电脑，发现一个金毛猎犬，他可能仅仅知道它是一只狗，因为它已经知道它是一只狗了，如果计算机没有从来没有学习过各种颜色毛的狗，它永远也不会告诉你它是一只金毛猎犬。

神经网络，无论如何，对此不必太过担心，它从输入节点接受腿的数量，毛毛的脸由另外一个节点处理，合理的输出为我们看到的金毛猎犬。

正如你所看到的，神经网络相比常规的计算机，处理方式更接近与人类的大脑。虽然它不是一个完美的大脑复制品，但是设计神经网络的灵感却是很清晰的。

我们如何使用人工神经网络

人工神经网络是解释器和近似器，他们使用既定学习规则来推理接收到的信息。

因为是近似值，所以最佳的用途是解释更好的容错性。你不会使用神经网络去烘焙一个完美的蛋糕，因为它需要非常精确的测量。（译者不是很理解这句话的意思。）

相反，工程师使用这些网络来发现一些模式规则。当数据量太大，而人类无法发现模式规则的时候，这些工具尤其有用。例如，医学研究人员对每篇化疗的文章进行分类。他们可以使用神经网络来发现除了化疗之外的模式和关联。

目前，人工神经网络不会从现有数据中创造新的答案。但是，他们可以通过那些人们找到答案的方式来处理数据。

神经网络帮助我们学习

人工神经网络不会创造新的事物。相反，它们帮助我们理解已经摆在我们面前的东西。它们的结构使人工智能，机器学习和超级计算能够蓬勃发展。

锻炼英语，从翻译做起。。翻译的不好的地方请大家指正：kanonxmm@gmail(163).com