现今人工智能概念的火爆到什么程度？

各大科技媒体争相报道关于人工智能的最新消息，AI初创公司的数量不断增长，人工神经网络、深度学习技术时时刻刻都被提及......

我们知道，在人工智能领域，目前应用最广泛的是深度学习技术。而深度学习是基于人工神经网络的。那么问题来了，到底什么是人工神经网络，它到底干嘛了，才让计算机拥有“智能”？

通常来讲，神经网络是一种数学模型，是人们在计算机上构建的模拟生物神经网络的系统，所以又叫作人工神经网络（Artificial Neural Network，即ANN）。

神经网络由大量的神经元节点和节点之间的联系构成。神经元可以起到传递和加工信息的作用，同时也可以通过训练被强化。通过向神经网络输入大量训练数据，改变神经元之间连接的参数，可以让神经网络整体“被训练”而能够拟合出输入输出间的关系。

深度学习网络

上图就是一个典型的神经网络系统，它具有多个层级。多个层级构成了“深度”，也就是我们常说的深度学习网络。不管网络有多深，一般都会包含“输入层”、“隐藏层”和“输出层”。输入层负责接收信息，比如，一只猫的图片。隐藏层负责在网络中，对输入的信息进行加工处理。而输出层就是根据隐藏层计算的数据，得出计算机对输入信息的认知，比如判断输入的图片是不是一只猫。

听起来有些因吹丝汀？！那么就让我们看看神经网络到底是如何被训练的吧！

首先，它需要大量的训练数据。如果要让神经网络判断一张图片是不是一只猫，那么就必须给它看大量的猫猫狗狗的图片。既然要训练神经网络，那么肯定也要告诉它这些图片哪张是猫，哪张不是，也就是给这些图片“打标签”。

带标签的图片数据

在训练的过程中，神经网络会先依靠自己的“主观意识”，尝试对图片进行判断。然后将判断结果与图片标签做对比，看看自己是不是判断错了。当然一开始它的判断几乎全是错的，但每当它判断错误时，错误的判断结果会被计算而转化成宝贵的学习经验。神经网络利用积累下来的经验去改善“自我”，以至于下次可以作出更佳准确的判断。

神经网络的部分神经元在训练时被激活

那么它究竟是如何从经验中学习的哪？首先就是比对正确答案和错误答案之间的差别，计算出预测误差值，然后再把这个误差值反向传播回去，依据误差值去调整不同层神经元之间的连接参数。初期的误差较大，所以反向对神经元连接参数的调整就比较大；随着训练次数的增加，预测准确性增加，误差减小，此时反向对神经元连接参数的调整就变的微小。慢慢的神经元连接参数趋于稳定，整个神经网络能够较好的完成预测，训练就可以结束了。

那么这个反向传播到底是什么？为什么就能将神经网络调整的越来越好？

有没有更高明的方法，可以让神经网络训练的更快？

还有除了上面介绍的简单神经网络，CNN，RNN，LSTM，又是怎样工作的？

欲知问题答案，请看以下神经网络专题课程（全部免费哦！）

扫码或直接点击文末“阅读原文”：

【神经网络入门专题】

http://campus.swarma.org/gpac=10?src=1

【神经网络技巧总集篇】

http://campus.swarma.org/gpac=15?src=1

关注集智AI学园公众号

获取更多更有趣的AI教程吧！

搜索微信公众号：swarmAI

商务合作｜zhangqian@swarma.org

   投稿转载｜wangjiannan@swarma.org