投稿人：楊左使

2016年Google AlphaGo擊敗了頂尖的圍棋人類選手，令全球矚目。這一大事件把AlphaGo背後的人工智慧演算法——神經網路推向了風口浪尖。

熱門而神秘的「神經網路」是什麼？這篇文章我們將向你展示它的奧秘。

神經網路，全稱是人工神經網路，顧名思義這是從人類中樞神經系統受到的啟發，發明了人工神經網路這個概念。在人工神經網路中，簡單的人工節點，稱作神經元，連接在一起形成一個類似生物神經網路的網狀結構。

神經網路是深度學習的基礎，這是一門強大的機器學習方法，可以這麼說，正是神經網路快速發展帶來的變革，引發了今天人工智慧潮流的火爆。

那麼，什麼是神經網路？

神經網路最重要的用途是分類，為了讓你對分類有個直觀的認識，我們先看幾個例子：

貓狗分類：有一大堆貓、狗照片，把每一張照片送進一個機器里，機器需要判斷這幅照片里的東西是貓還是狗。

廣告識別：現在有一封電子郵件，把出現在裡面的所有辭彙提取出來，送進一個機器里，機器需要判斷這封郵件是否是營銷廣告郵件。

影像識別：病人把在醫院照的X光影像片交給醫生，醫生把照片送進一個機器里，機器需要判斷這個病人是否得病，得的什麼病。

這種能自動對輸入的東西進行分類的機器，就叫做分類器。

分類器的輸入和輸出都是一堆數值，比如第一個例子里，分類器的輸入是照片，假如每一張照片都是100*100像素的紅綠藍三通道彩色照片，那麼分類器的輸入就是一個長度為100*100*3=30000的向量。輸出的時候，0則表示圖片中是狗，輸出1則表示是貓。

分類器的目標就是讓正確分類的比例儘可能高。一般我們需要首先收集一些樣本，人為標記上正確分類結果，然後用這些標記好的數據訓練分類器，訓練好的分類器就可以在新來的數據上工作了。

好，現在我們以輸出貓和狗為例，假設分類器的輸入是通過某種途徑獲得的兩個值，輸出是0和1，比如分別代表貓和狗。現在有一些樣本：

大家想想，最簡單地把這兩組特徵向量分開的方法是啥？當然是在兩組數據中間畫一條豎直線，直線左邊是狗，右邊是貓，分類器就完成了。以後來了新的向量，凡是落在直線左邊的都是狗，落在右邊的都是貓（如下圖）。

一條直線把平面一分為二，一個平面把三維空間一分為二，兩邊分屬不同的兩類，這種分類器就叫做神經元。

上圖的分類器好分，但是下圖呢？

當樣本的複雜程度增加的時候，一個神經元只能切一刀的缺點就會顯露。這時的解決辦法是多層神經網路，底層神經元的輸出是高層神經元的輸入。我們可以在中間橫著砍一刀，豎著砍一刀，然後把左上和右下的部分合在一起，與右上的左下部分分開；也可以圍著左上角的邊沿砍10刀把這一部分先挖出來，然後和右下角合併。

每砍一刀，其實就是使用了一個神經元，把不同砍下的半平面做交、並等運算，就是把這些神經元的輸出當作輸入，後面再連接一個神經元。這個例子中特徵的形狀稱為異或，這種情況一個神經元搞不定，但是兩層神經元就能正確對其進行分類。只要你能砍足夠多刀，把結果拼在一起，什麼奇怪形狀的邊界神經網路都能夠表示，所以說神經網路在理論上可以表示很複雜的函數/空間分布。

最後我們來說一下神經網路的訓練。它依靠反向傳播演算法：最開始輸入層輸入特徵向量，網路層層計算獲得輸出，輸出層發現輸出和正確的類號不一樣，這時它就讓最後一層神經元進行參數調整，最後一層神經元不僅自己調整參數，還會勒令連接它的倒數第二層神經元調整，層層往回退著調整。經過調整的網路會在樣本上繼續測試，如果輸出還是老分錯，繼續來一輪迴退調整，直到網路輸出滿意為止。這有點像小米式互聯網思維，從用戶終端聽取意見，優化需求更新產品功能，最終做出用戶喜歡的，強參與感的智能手機。

如果形象地打個比方，神經網路就像一個剛開始學習東西的小孩子，開始認東西，作為一個大人（監督者），第一天，他看見一隻京巴狗，你告訴他這是狗；第二天他看見一隻波斯貓，他開心地說，這是狗，糾正他，這是貓；第三天，他看見一隻蝴蝶犬，他又迷惑了，你告訴他這是狗……直到有一天，他可以分清任何一隻貓或者狗。

這就是神經網路，你看懂了么？

小結：

神經網路是一種把東西進行分類的機器，它由若干個神經元組成。每個神經元就像一把剪刀，可以把兩組數據一分為二；若干個神經元經過剪切、拼接、粘貼之後，最終可以把兩個東西區分開（例如區分貓和狗），這就是神經網路。

我是楊左使，上海谷歌社區人工智慧系列沙龍組織者，喜歡我的文章，請點贊；想來沙龍聽大牛分享，請打賞：）