深度学习:人工智能的“神奇魔杖”(一)

  

导读:
  整个人工智能发展历史,几乎一直随同人工神经网络研究的进展而起起伏伏。近期引发人工智能新一轮热潮的深度学习,其名称中的“深度”某种意义上就是指人工神经网络的层数,深度学习本质上是基于多层人工神经网络的机器学习算法。
  

  
  
  
  
  
  

  1.解密深度学习

  1.1.人工智能的发展一直随同人工神经网络研究的进展而起伏

  整个人工智能发展历史,几乎一直随同人工神经网络研究的进展而起起伏伏。近期引发人工智能新一轮热潮的深度学习,其名称中的“深度”某种意义上就是指人工神经网络的层数,深度学习本质上是基于多层人工神经网络的机器学习算法。

  1.2.什么是人工神经网络

  人类大脑神经的信息活动与目前的计算机相比有三个不同的特性:

  第一,巨量并行和容错特性。人脑约有1000亿个神经元,神经元之间约有上万亿的突触连接,形成了迷宫般的网络连接,大量的神经元信息活动是同时进行的,而非目前计算机按照指令一条条执行。此外人脑的这种巨量并行特性也使得其具有极好的容错特性,坏掉一个晶体管就能毁掉一块微处理器,但是大脑的神经元每时每刻都在死亡。

  第二,信息处理和存储单元结合在一起。目前计算机普遍采用冯洛伊曼架构,存储器和处理器分离,通过总线传递数据。随着处理的数据量海量地增长,总线有限的数据传输速率被称为“冯·诺依曼瓶颈”,严重影响计算机的计算效率和功耗,人脑信息处理和存储单元结合在一起,拥有极低的功耗(约20W左右)。

  第三,自组织自学习功能。大脑在与外界互动的同时也会进行学习和改变,而不是像现在计算机遵循预设算法的固定路径和分支运行。

  基于以上几点不同,人们一直尝试模仿人类大脑神经元的信息活动机制来设计算法:信通过突触进入神经元细胞,神经细胞利用一种方式把所有从树突上突触进来的信进行相加,如果全部信的总和超过某个阀值,就会激发神经元细胞进入兴奋状态,这时就会有一个电信通过轴突发送出去给其他神经细胞。如果信总和没有达到阀值,神经细胞就不会兴奋起来,不会传递信。

  简单的人工神经元数学模型就是让每一个输入到神经元的信加权求和,相加后如果超过设定的阈值,就输出“1”,没有就输出“0”。这样若干个最简单的神经元输入输出相连接,就构成了复杂的人工神经网络。

  
  
  1  2  3  4  5  6  7  下一页>  

发表评论

电子邮件地址不会被公开。 必填项已用*标注