当机器像人一样拥有大脑时会发生什么?

发布日期:2019-04-09

    本文是由AI研究所编辑的一个技术博客,其原始标题为:具有如下大脑的机器

    本文是AI研究所编写的一个技术博客。最初的标题是:

    像我们这样的大脑机器——深度学习入门

    作者|米沙尔·拉哈尼

    翻译|幻灭,刘1126

    校对|酱梨涂饰|菠萝女孩

    链接到原始文本:

    Http://..com/@mishaallakhani/machine-with-.-like-our-an-.-to-.-.-a5dff4c24e97

    这些东西有什么共同点?

    令人惊讶的是,这些都是由人工智能(AI)完成的。机器变得越来越智能,学习能力也越来越强,这使得它们与以前的机器不同。事实上,人脑本身就是许多智能技术解决问题的灵感来源。它们通过机器学习,尤其是深度学习来解决问题。

    机器学习指的是让计算机获取数据、理解数据、学习数据和做出决策,但是我们不需要显式地对机器编程。深度学习是机器学习的一个子领域,其灵感来自于人脑的神经网络(大脑用来处理信息的结构)。这些神经网络被称为人工神经网络(ANN),有时也称为神经网络、网络或模型。它们由一组称为节点(或人工神经元)的单元组成,这些单元将信息从一个神经元传递到另一个神经元(就像人脑一样)。

    一个基本的人工智能网

    当一个神经元接收、处理和传输信号给另一个神经元时,这个过程被称为传输。这个过程包括三层:输入层、隐藏层和输出层。

    人工神经网络中的层

    让我们以卷积神经网络为例,人工神经网络用于图像分类。如果我们希望神经网络能够区分猫和狗,它将会经历这些主要步骤。

    输入层

    突出显示的是进入第一隐藏层的输入节点

    每个节点表示通过模型的样本数据集中的一个特征或变量。该层中的节点连接下一层中的所有节点,即隐藏层。连接具有从0到1的权重,表示连接的强度。狗对猫输入层中的一些节点可以是变量,例如耳朵大小、毛皮颜色或尾巴长度。

    隐含层

    隐藏层是输入和输出之间的任何层。本质上,它们计算指向相同节点的连接的加权和。这个总数是通过激活函数(我们将在下面更详细地讨论)传递的,该激活函数基于大脑以及不同的刺激如何激活不同的神经元。激活函数的结果被传递到下一层中的下一节点,并重复直到输出层。

    输出层

    重量会随着时间而变化,直到它们被完全优化(下面将详细介绍)。在输出层中生成的神经元表示潜在的输出值。在上面的示例神经网络中,输出层中的两个节点是网络认为它的概率,例如,75%可以是狗,而25%可以是猫。

    训练神经网络

    训练人工神经网络基本上等价于求解优化问题。这里,它试图优化神经元之间的连接权重。在训练过程中,不断更新给定的权重值以达到最优值。优化依赖于优化算法,其中最常用的是随机梯度下降(一种减少损失的算法)。

    基本上,这个问题的目的是最小化损失函数。损耗函数测量结果的精确度。例如,当训练神经网络对猫和狗进行分类时,提供标记数据。例如,当输入狗的图像时,网络输出的概率对于狗是77%,对于猫是23%。我们的目标是让狗100%(以确保它是狗)和最小化可能的错误。

    它是如何学习的?

    数据传输称为多次迭代。为了学习,神经网络通过多次迭代传输数据,从而可以得到初始给定的随机权重。为了改进,通过将给定的输出和梯度(函数d(丢失)/d(权重)的导数乘以学习率(介于0.01和0.001之间的数字)来计算损失。

    梯度值乘以学习速率将减小。用更新的值替换旧的权重。

    请记住,每个权重具有不同的损耗函数梯度,因此根据每个权重分别计算梯度。随着迭代次数的增加,权重被更新,逼近最优值并最小化损失。这种权重的更新基本上是学习的,因为分配给每个权重的值是基于损失函数的效果的。

    本质的深度学习是机器学习的一个分支,受到我们大脑中的神经网络的启发。

    人工神经网络主要有三种层次结构(输入、隐藏和输出)

    为了训练人工神经网络,必须更新值以使损失函数最小化(输出中有多少错误)

    神经网络通过多次数据传输进行学习,并迭代权重,直到获得最优值。

    谢谢你的阅读!如果你喜欢这篇文章,请留下一些掌声,注意我的媒体,并及时了解我的人工智能进展。

    要继续查看本文的链接和参考资料吗?

    打开或单击[当机器具有人脑时会发生什么?]]

    Http://ai.yanxishe.com/page/Text./1319

    AI协会每天更新精彩内容,观看更多精彩内容:雷锋网、雷锋网和雷锋网。

    五大CNN架构

    2018.12机器学习十大热门网络文本

    深层网络背后的数学揭示深层网络如何将深层学习应用于无人机图像中的目标检测

    等待您翻译:

    基于混沌数据的聚类图像语义分割深度学习算法要点——计算机视觉/感知:运动恢复结构:WaveNet:Google助手的语音合成器