人工智能席卷全球，所谓的“机器学习算法”渗透到现代科技的方方面面，成为一种义务而非创新。有些人可能会争辩说，我们今天使用的机器学习算法是否具有足够的自主性以被称为真正的人工智能，这个争论范围太广，不是本文的重点。在这篇文章中，我试图探索神经网络与人类思维之间的深刻复杂性和深层关系。当您开始在Google上输入内容时，浏览器如何猜出您要查找的内容？移动相机如何在我们称为照片的微小像素海洋中识别人脸？Alexa、Siri或GoogleHome之类的东西虚拟助手如何完成复杂的任务，例如安排会议、获取天气信息、阅读睡前故事等？所有这些问题的答案在于机器学习，更具体地说，在于神经网络。什么是神经网络？本节旨在告诉完全不了解深度学习的人什么是基本神经网络。虽然实际涉及的数学更为复杂，但这里的重点不是神经网络如何工作，而是试图理解它们与人类思维的联系。神经元神经元是神经网络中最简单的单元。一个神经元所做的是它从上一层的所有神经元接收输入值（此时神经元y之上的层以蓝色显示，如x1、x2、x3等），并返回每个输入值从输入值乘以与神经元关联的权重。所以这里x1乘以w1，x2乘以w2等等，所有这些乘法都在神经元y内相加。y=x1.w1+x2*w2+x3*w3...xm.wm然后使用Sigmoid、tanH、ReLU等激活函数将这个求和值转化为输出值。那么这些激活函数是什么？这是一个sigmoid激活函数的例子。Sigmoid激活函数Sigmoid激活函数将任意输入值（在本例中，和y为Sigmoid函数的输入值）转换为0到1范围内的值。就这么简单，只需将输入值相加即可以及它们各自对激活函数的权重。你的神经元会给你一个输出值。简单的神经网络这和神经网络一样简单。可以看到，这里的每个灰色圆圈都是一个神经元，这个神经网络分为三层：输入层、隐藏层和输出层。现在，神经网络学会了自己处理任务，但它们是如何学习的呢？当然是通过数据。我们将在下一节详细讨论如何从数据中学习，但我们现在知道数据是通过输入层输入神经网络，在中间层进行处理，然后由输出层输出。Aneuralnetworkthatclassifiedimagesascatsanddogs例如，如果你想让神经网络从图像中识别猫和狗，那么标记猫和狗的图像（标记图像意味着我们给神经网络一个正确的答案）将是输入被馈送到神经网络，对其进行处理，神经层猜测它是猫还是狗。现在，由于它有图像答案，它以这种方式调整不同神经元之间的权重以提高准确性。人类思维——一个巨大的神经网络你看过幼儿玩耍吗？他们总是那么好奇，渴望与周围的世界互动。幼儿的大脑就像从出生开始学习的简单、未经训练的神经网络。由于神经网络在其早期阶段非常简单，所以幼儿被教导执行非常基本的任务，例如移动、进食和爬行。当一个蹒跚学步的孩子拿着一个球时，他会观察它的重量、形状、握住它的感觉、皮肤周围的变化等等。这种观察是他最初学习过程的一部分，实际上帮助了他学习。玩球可以训练蹒跚学步的孩子的大脑，让他为接下来的活动做好准备。资料来源：unsplash现在，当他看到一个球时，他会记得它是什么，以及握住它和丢掉它的感觉。当孩子玩球的次数越来越多时，训练就形成了。青少年在玩球和投球方面几乎是专家，虽然人们可能认为投球是一项非常简单的任务，但您为此所经历的学习绝不是捷径。如前所述，孩子的大脑就像一个简单的神经网络，执行诸如走路、吃饭、说话等基本任务。随着孩子的成长，他学会了更复杂的过程，如手眼协调、说话流利、吃饭不洒等。有训练神经网络经验的人认为，训练一个简单的网络相对容易，但是随着你添加更多的神经层，使数据和终端输出更加复杂，学习速度就会变慢。童年是学习新技能的最佳时机，因为与成年人相比，他们的神经网络更简单，而且他们的大脑没有经过训练，因此更容易让神经元屈服于你的意志。随着孩子的成长，学习变得困难，因为任务变得复杂。例如，解决难题、做出决定和做出判断是复杂的任务，即使是我们成年人也不会停止学习和发展。大脑总是在学习，那么这种学习究竟是如何发生的呢？答案是——大脑重新连接自己。就像神经网络中神经元之间的权重和连接发生变化一样，大脑也会改变数十亿个神经元的连接。为了让复杂的神经网络既能保留之前的训练，又能在此基础上进行构建，增加最终过程的复杂度。当你读到这篇文章时，你大脑中的每个神经元都在改变自己，改变它与数十亿其他神经元的连接，为你从出生就获得的神经元增加经验。这就是你学习的方式。每次学习时，大脑都会重新连接，就像训练神经网络一样。数据就是一切如今，对于科技巨头来说，没有什么比基于消费者的数据更重要了。原因是数据驱动“机器学习算法”。数据训练神经网络，没有数据就无法学习。以下验证码你一定遇到过：来源：unsplash回答这个验证码对你来说可能是小菜一碟，但如果让孩子来做，他可能会正确回答，但速度很慢。事实上，每次您在网络上回答这样的验证码，都有助于训练机器人或神经网络。您实际上是在帮助准备数据并训练真正适合您的模型。可以说你训练了大量重要的模型。就像我们为人造模型准备的数据是最重要的一样，人类的大脑是一个贪婪的网络，它在你生活的每一刻都在获取大量数据。数据正在构建你，帮助你学习，把你变成一台智能机器。这将我们带到了人类大脑从其周围的数据、输入层或五种感官中学习的最后一层。五感神经网络有一个输入层，数据以其理解和处理的模型形式进入网络。然后将数据传给隐藏层进行训练，改变权重，最后输出层给出一个预测，是猫还是狗，或者根据它学过的单词完成一个句子。由于我们将人类思维比作一个巨大的神经网络，因此只有在该网络也有输入层时才清楚。五种感觉——视觉、听觉、触觉、味觉和嗅觉——构成了大脑的输入层。视觉是所有五种感觉中最重要的，因为正是从这种感觉发生了最大的数据变化。用于训练神经网络的最佳数据集包含不同类型的数据和示例，而不仅仅是一种类型的数据。只有一种数据会导致模型过拟合，这意味着当数据来自与其训练的同类数据时，它可能会给出正确的结果，但当数据偏离训练数据规范时，准确性就会受到威胁。在人生的大部分重要学习过程中，眼睛最为活跃。从步行到吃饭，从学骑自行车到弹钢琴，从与他人互动到在电脑上打字，几乎每一项任务都需要我们的眼睛。听觉也很重要，在古代，人类在野外觅食时更是如此，耳朵必须专注于猎物的声音，生存就靠这种感觉。触觉也是人类最宝贵的感官之一。它使我们的手远离热炉，防止给婴儿喂沸腾的牛奶，并防止人们触摸他们想触摸的物体。尽管嗅觉和味觉对人类神经网络的初级学习贡献不大，但它们本身就具有价值。这些感官有利于在生活中成长和学习的过程中探索乐趣。闻花香，品美酒醇香，感受美好生活，都是通过嗅觉和味觉来体会的。现在，我们已经看到了所有处理发生的输入层、数据和神经网络。再举个例子，把所有的拼图拼在一起，看大局，就是模式识别。模式识别以学习阅读为例。眼睛是这里最重要的感官。孩子们通过学习字母、反复看字母、尝试发声并写出来来学习阅读。每次你阅读、说话和写作时，你都会训练你的思维并提高你的准确性，直到你写出完整的字母表。神经网络相对容易训练后，孩子会把单词串起来，这时候听觉就起主要作用了。当他提到这些作品时，正是在这些词中开启了识别模式，26个字母如何以不同的方式组合成大量的词，形成了英语。这种模式识别很重要，可以帮助孩子识别面孔、动物或玩具。成年人的模式识别能力已变得如此强大，以至于他们接受了广泛的培训，处理大量数据以帮助他们识别周围的模式。根据经验预测会不会下雨，根据记忆和经验预测事件的结果，都是模式识别。福尔摩斯在大篷车里找到莫里亚蒂教授，是因为他袖子上有粉笔灰，这也是模式识别。虽然作者首先解释了神经网络的工作原理，然后将人的思维与它们进行了比较，但实际上恰恰相反。人类思维激发了神经网络。否则你为什么认为这些微小的功能被称为神经元。人类的思维是一个极其复杂的结构，它产生了这个世界上的每一个思想、行动、记忆、感觉和体验。进化给了人类一个强大的工具，今天我们试图将它复制到人工头脑中，这样一个奇迹般的技术，我们称之为神经网络。
