解釋神經網路的黑暗面

神經網路是複雜的，但由於許多原因同樣令人興奮。它們也促使我們更好地瞭解自己的認知機制，然後將其反映到機器上。我們已經有了深度神經網路的驚人例子，如谷歌DeepMind的AlphaGo擊敗了李世石，李世石曾獲得18個世界冠軍，被廣泛認為是過去十年中最偉大的棋手。

影象分類、自然語言處理和計算機軸向斷層成像分類是神經網路被使用的一些領域。神經網路在其特定領域很聰明，但缺乏概括能力。他們的智慧需要調整。

瞭解神經網路的工作原理

談論神經網路而不解釋它們是如何工作的，就有點毫無意義。因此，這裡有一個總結：

神經網路是由神經元組成的，它接受一個單一的輸入引數並對其進行操作。你可以把一個引數看作是我們想要分類的影象中的一個畫素。然後，我們有連線神經元和其他神經元的突觸。在學習過程中，它們獲得權重，放大或縮小神經元的輸出。一個由神經元和連線它們的突觸組成的網路，該網路使用訓練資料來調整其突觸的權重。而人工智慧研究人員調整神經網的形狀和大小，對其進行微調。

這是超高層的觀點，但你已經可以理解為什麼神經網有黑暗的一面。

神經網路的 “黑暗面”

一個影象識別神經網路可以包括數以百萬計的隱藏層，直到網路得出這個影象中有一個夕陽的解決方案。這個過程有一個非常被誤解的黑暗面，因為大多數時候，即使是那個人工智慧的創造者也不知道神經網路的詳細連線和他們創造的神經元是什麼樣的。從輸出中計算出誤差並加以調整是很容易的，但這並不意味著我們知道在無數層神經連線中發生了什麼。因此，被猜測地誤解為星球大戰電影中的黑暗面。它只是意味著有太多的資料，而且我們要花很大的力氣才能看到發生了什麼。但它還是能讓一些人起雞皮疙瘩。如果人工智慧開發者對正在發生的事情有更多的瞭解，那麼開發更復雜的神經網路就會更容易。

解決這一難題的最知名的努力之一是谷歌的DeepDream。DeepDream是為2014年的ImageNet大規模視覺識別挑戰賽（ILSVRC）開發的。該軟體旨在檢測影象中的人臉和其他圖案，目的是對影象進行自動分類。然而，一旦經過訓練，該網路也可以反向執行，被要求稍微調整原始影象，以便給定輸出神經元。這可以用於視覺化，以更好地理解神經網路的出現結構，這也是DeepDream概念的基礎。這種優化類似於反向傳播，然而不是調整網路權重，而是保持權重固定，調整輸入。逆向傳播是調整神經連線的權重的過程。

DeepDream影象識別系統學會了識別動物（來源：谷歌）

儘管神經網路仍有發展空間，但它們已經出現在我們的日常生活中。由於像谷歌翻譯這樣的服務，即使我們沒有意識到，我們也從神經網路中受益。就像在我們的日常生活中一樣，人工智慧也已經準備好改變工作。關於人工智慧在企業中的應用，你可以檢視人工智慧在市場營銷、銷售、客戶服務、IT、資料或分析方面的應用。

如果你仍然好奇，想學習神經網路背後的數學，想在一個極其簡單的例子中多探索一下這個黑暗領域，這裡有更詳細的解釋。

深度神經網路的極致細節

讓我們假設我們有一個帶有四個畫素的黑白攝像頭的神經網路，我們希望它能識別攝像頭拍攝的影象是實心的、垂直的、對角線的還是水平的。這不能用簡單的關於畫素亮度的規則來完成。它們與其他畫素的關係也在起作用。為了解決這個複雜的問題，我們為每個畫素建立一個神經元，並給它們在-1（黑色）和1（白色）之間的值，以確定其亮度。當這些輸入神經元的值被新增時，一個新的神經元就被建立了。神經元與突觸相連，就像它們在人類大腦中的對應物。

在與新的神經元連線時，神經網路用1和-1之間的數字對輸入神經元的值進行加權。 在這種情況下，輸出神經元的值不能大於1，因為我們有一個固定的光譜。如果神經輸入的值大於1，神經網路會用一個sigmoid函式將其壓扁，這樣輸出值就會保持在固定的區間內。白色的連線是正值，黑色的是負值，線的厚度顯示了權重的大小。

每個神經元都用4個不同的值進行加權（但可能有400和400萬），所以我們有4個新的神經元，這些神經元也被連線和加權了。這就形成了一個層。

這個過程在神經網路根據我們的輸出值集（實心、垂直、對角線和水平）對影象中的內容有了清晰的認識後繼續。根據我們想要得到的輸出，可能有4或4000個層。在下面的圖片中，我們可以看到一個假設的案例，即我們的神經網路如何理解影象是水平的。

黑色的點和連線表示負值，白色的表示正值，灰色的是零。沒有灰線的原因是它們被忽略了，因為它們對輸出沒有影響。但神經網路永遠不會給出真實的輸出，而只是最接近真實的輸出。例如，一個有正值的輸出神經元絕不會是我們首先為我們的區間設定的最大值。這是一種說法，即神經網路給出的答案永遠不會是確定的，但它們是非常好的近似值。

Clarifai.com的影象分類人工智慧將是一個很好的例子，它是上面所說的更復雜的版本。從下面的圖片中可以看出，它沒有將其中一個輸出設定為水平，而是設定為日落。日落的輸出值約為0.9，這告訴我們，圖片中出現日落的概率約為90%。

希望我沒有在細節上讓你失望。如果我做到了，慶幸的是，有解決方案提供商來處理人工智慧的科學部分。