微信搜索“高速商务通”，马上办理ETC
为了了解现代机器学习技术的创新之处，有必要详细了解神经网络方法。人工神经网络是一种计算机程序，其灵感来自于真实神经网络（例如你的大脑）的某些假定的组织原理。人工神经网络与真实神经网络之间的关系大多是有抱负的。计算神经科学领域的一些研究人员明确地试图了解大脑的实际结构并在计算机中模拟这些结构，目的是了解真正的大脑是如何工作的。其他更主流的AI研究人员并不关心他们的程序是否模仿大脑，只要他们解决了感兴趣的实际问题。
现在有趣的是，我们在细节层面上了解了很多关于大脑结构的信息 – 它由大部分均匀的细胞组成，称为神经元，它们以“突触”相互连接发送并接收电气或化学信号。当这些信号超过一定水平或形成某种模式时，神经元会“发射”，这意味着它反过来表示它所连接的其他神经元。而且我们对大脑的总体结构有相当多的了解 – 层和区域通常涉及各种活动，例如看，挨饿，做算术，调整心率，识别面部和扭动你的拇指。但令人惊讶的是，很少有人了解中间结构 – 神经元如何连接以执行这些任务。换一种说法，我们不太了解大脑是如何连接的（隐喻地说）。当然，这正是人工智能研究人员构建人工神经网络所关注的领域。他们模拟神经元作为其程序中个体元素的行为，然后开发连接它们和研究结果的技术 – 它们可以做什么，有多快，等等。
人工神经网络中的神经元通常被组织成一系列层。每个级别的神经元仅连接到层次结构中它们上方和下方的级别，并且互连通常被建模为数字权重，（例如）0表示“未连接”，1表示“强连接” “最低级别实际上从网络外部接收输入 – 例如，每个低级神经元可能会处理来自摄像机的特定点（像素）的信息。更高层次的神经元 – 在所谓的“隐藏层”中 – 仅从它们下面的神经元接收输入。然后给整个结构提供例子，例如猫的图片，并且权重向上传播（并且经常向后），直到它被“调整”以识别猫 – 由
特定神经元（或神经元的模式）射击，通常在最高水平。
你可能会认为你训练一个人工神经网络来识别一只猫，通过显示有猫和没有猫的图片，指出哪些包含猫。你可以这样做，事实上这被称为“监督学习”。但人工神经网络的一个值得注意的事情是，实际上可以跳过这两个步骤。您只能使用包含猫的图片呈现网络，而您不必告诉它任何内容; 这被称为“无监督学习。”它怎么可能了解猫是什么，对世界什么都不知道，更不用说猫了？猫图片本身包含图案 – 你认为猫脸，胡须，爪子等等，看似无穷无尽的各种姿势，颜色和角度。但人工神经网络实际检测到的是图像之间非常复杂和复杂的相关性 – 无论它们是旋转，拉伸，部分遮挡等。在对数百万个图像进行训练之后，它开发了检测之前未呈现给它的图像中的类似模式的能力。换句话说，它学会自己识别猫的图片。22这与我们如何学会识别猫是否有任何关系是一个悬而未决的问题，但不容置疑的是它有效，而且效果很好。在许多识别任务中，最新的此类系统实际上可以胜过人类。23
为了让您直观地感受到这里发生的事情，想象一下，当您在F sharp的键中播放一堆嘈杂的音乐时，您将六弦吉他放在一个房间里。正如您所料，琴弦会同情地振动。然后你依次慢慢拧紧和/或松开每根琴弦的音栓，同时准确测量琴弦振动的程度，然后将琴弦调整到最大振动的位置，然后再进行下一次演奏。这是一个费力的过程，因为当然，每个弦不仅响应房间的声音，还响应其他声音的振动。
字符串。所以你必须在事情开始稳定之前多次迭代这个过程，这意味着转动任何调音栓只会减弱弦的振动。接下来，您可以在各种按键中播放一系列音乐，测量琴弦振动的程度。您可能会注意到，当您在F中播放歌曲时，振动是强烈的，而对于其他键中的歌曲，振动是较弱的。恭喜 – 您刚刚使用自动化流程构建了一个F sharp密钥识别器，不需要知道音乐，也不需要在F sharp与D
flat或任何其他键中“玩”。
现在你决定在这个过程有效的时候，它花了太长时间。因此，下次尝试时，为了加快速度，您可以以更大（或更小）的增量移动钉子，在不同位置启动它们（即使用非标准吉他调音），或者改变调整每个弦乐的顺序。例如，您可能会发现某些起始位置根本不起作用 – 您永远不会让整个系统足够强烈地振动以识别F sharp中的音乐，或者您最终会绕圈，反复收紧和松开相同的琴弦。这类似于人工神经网络的大量研究 – 需要付出大量努力来确定如何设置初始条件，传播连接权重，并使它们在合理的情况下收敛到最佳或可接受的解决方案多少时间。该领域当前工作的性质与上个世纪之交的电力电子学研究有关 – 由构建系统的经验性尝试所主导，然后对其进行测试 – 直到开发出更正式的分析方法。希望这样的框架也将出现在机器学习中。
总之，您可以将人工神经网络视为与输入中存在的任意复杂模式产生共鸣的结构。它们是他们经验的镜子。从这个意义上说，他们并不是在这个短语的常识中“学习如何做事”
– 发展对他们世界的潜在关系和属性的原则性理解。
相反，他们是非常熟练的模仿，发现相关性和回应新颖的输入，好像在说“这让我想起…… ”，并且这样做模仿从大量例子中收集的成功策略。一个开放的哲学问题是这种方法是否等同于理解因果关系。我们真的在做同样的事情，还是人类学习和与世界互动的方式还有什么？如果最终结果 – 行为 – 是相同的，那么这种区别是否重要？
