人工智能技术神经网络（人工智能神经网络）

人工智能技术神经网络（人工智能神经网络）如果通过网络馈送的图像是苹果，并且网络已经进行了一些训练，且随着其预测而变得越来越好，那么很可能一个很好的特征图块就是包含了苹果特征的高质量实例。 这是最终输出节点实现使命的地方，反之亦然。现在是时候得出结果了。在完全连接层中，每个削减的或“池化的”特征图“完全连接”到表征了神经网络正在学习识别的事物的输出节点（神经元）上。 如果网络的任务是学习如何发现猫、狗、豚鼠和沙鼠，那么它将有四个输出节点。 在我们描述的神经网络中，它将只有两个输出节点：一个用于“苹果”，一个用于“橘子”。AI 的早期流派之一认为，如果您将尽可能多的信息加载到功能强大的计算机中，并尽可能多地提供方法来了解这些数据，那么计算机就应该能够“思考”。比如 IBM 著名的国际象棋 AI Deep Blue 背后就是这么一个思路：通过对棋子可能走出的每一步进行编程，再加上足够的算力，IBM 程序员创建了一台机器，理论上可以计算

现在谈人工智能已经绕不开“神经网络”这个词了。人造神经网络粗线条地模拟人脑，使得计算机能够从数据中学习。

机器学习这一强大的分支结束了 AI 的寒冬，迎来了人工智能的新时代。简而言之，神经网络可能是今天最具有根本颠覆性的技术。

看完这篇神经网络的指南，你也可以和别人聊聊深度学习了。为此，我们将尽量不用数学公式，而是尽可能用打比方的方法，再加一些动画来说明。

强力思考

AI 的早期流派之一认为，如果您将尽可能多的信息加载到功能强大的计算机中，并尽可能多地提供方法来了解这些数据，那么计算机就应该能够“思考”。比如 IBM 著名的国际象棋 AI Deep Blue 背后就是这么一个思路：通过对棋子可能走出的每一步进行编程，再加上足够的算力，IBM 程序员创建了一台机器，理论上可以计算出每一个可能的动作和结果，以此来击败对手。

通过这种计算，机器依赖于工程师精心预编程的固定规则——如果发生了 A，那么就会发生 B ; 如果发生了 C，就做 D——这并不是如人类一样的灵活学习。当然，它是强大的超级计算，但不是“思考”本身。

完全连接层

现在是时候得出结果了。在完全连接层中，每个削减的或“池化的”特征图“完全连接”到表征了神经网络正在学习识别的事物的输出节点（神经元）上。 如果网络的任务是学习如何发现猫、狗、豚鼠和沙鼠，那么它将有四个输出节点。 在我们描述的神经网络中，它将只有两个输出节点：一个用于“苹果”，一个用于“橘子”。

如果通过网络馈送的图像是苹果，并且网络已经进行了一些训练，且随着其预测而变得越来越好，那么很可能一个很好的特征图块就是包含了苹果特征的高质量实例。 这是最终输出节点实现使命的地方，反之亦然。

“苹果”和“橘子”节点的工作（他们在工作中学到的）基本上是为包含其各自水果的特征图“投票”。因此，“苹果”节点认为某图包含“苹果”特征越多，它给该特征图的投票就越多。两个节点都必须对每个特征图进行投票，无论它包含什么。所以在这种情况下，“橘子”节点不会向任何特征图投很多票，因为它们并不真正包含任何“橘子”的特征。最后，投出最多票数的节点（在本例中为“苹果”节点）可以被认为是网络的“答案”，尽管事实上可能不那么简单。

因为同一个网络正在寻找两个不同的东西——苹果和橘子——网络的最终输出以百分比表示。在这种情况下，我们假设网络在训练中表现已经有所下降了，所以这里的预测可能就是75％的“苹果”，25％的“橘子”。或者如果是在训练早期，可能会更加不正确，它可能是20％的“苹果”和80％的“橘子”。这可不妙。

如果一开始没成功，再试，再试…

所以，在早期阶段，神经网络可能会以百分比的形式给出一堆错误的答案。 20％的“苹果”和80％的“橘子”，预测显然是错误的，但由于这是使用标记的训练数据进行监督学习，所以网络能够通过称为“反向传播”的过程来进行系统调整。

避免用数学术语来说，反向传播将反馈发送到上一层的节点，告诉它答案差了多少。然后，该层再将反馈发送到上一层，再传到上一层，直到它回到卷积层，来进行调整，以帮助每个神经元在随后的图像在网络中传递时更好地识别数据。

这个过程一直反复进行，直到神经网络以更准确的方式识别图像中的苹果和橘子，最终以100％的正确率预测结果——尽管许多工程师认为85％是可以接受的。这时，神经网络已经准备好了，可以开始真正识别图片中的苹果了。

原文链接：https://techcrunch.com/2017/04/13/neural-networks-made-easy/