【51CTO.com快譯】許多人工智能計算機系統的核心技術是人工神經網絡(ANN)，而這種網絡的靈感來源于人類大腦中的生物結構。

通過使用連接的“神經元”結構，這些網絡可以通過“學習”并在沒有人類參與的情況下處理和評估某些數據。

這樣的實際實例之一是使用人工神經網絡(ANN)識別圖像中的對象。在構建一個識別“貓“圖像的一個系統中，將在包含標記為“貓”的圖像的數據集上訓練人工神經網絡，該數據集可用作任何進行分析的參考點。正如人們可能學會根據尾巴或皮毛等獨特特征來識別狗一樣，人工神經網絡(ANN)也可以通過將每個圖像分解成不同的組成部分(如顏色和形狀)進行識別。

實際上，神經網絡提供了位于托管數據之上的排序和分類級別，可基于相似度來輔助數據的聚類和分組。可以使用人工神經網絡(ANN)生成復雜的垃圾郵件過濾器，查找欺詐行為的算法以及可以精確了解情緒的客戶關系工具。

人工神經網絡如何工作

人工神經網絡的靈感來自人腦的神經組織，使用類似于神經元的計算節點構造而成，這些節點沿著通道(如神經突觸的工作方式)進行信息交互。這意味著一個計算節點的輸出將影響另一個計算節點的處理。

神經網絡標志著人工智能發展的巨大飛躍，在此之前，人工智能一直依賴于使用預定義的過程和定期的人工干預來產生所需的結果。人工神經網絡可以使分析負載分布在多個互連層的網絡中，每個互連層包含互連節點。在處理信息并對其進行場景處理之后，信息將傳遞到下一個節點，然后向下傳遞到各個層。這個想法是允許將其他場景信息接入網絡，以通知每個階段的處理。

單個“隱藏”層神經網絡的基本結構

就像漁網的結構一樣，神經網絡的一個單層使用鏈將處理節點連接在一起。大量的連接使這些節點之間的通信得到增強，從而提高了準確性和數據處理吞吐量。

然后，人工神經網絡將許多這樣的層相互疊放以分析數據，從而創建從第一層到最后一層的輸入和輸出數據流。盡管其層數將根據人工神經網絡的性質及其任務而變化，但其想法是將數據從一層傳遞到另一層，并隨其添加附加的場景信息。

人腦是用3D矩陣連接起來的，而不是大量堆疊的圖層。就像人類大腦一樣，節點在接收到特定刺激時會在人工神經網絡上“發射”信號，并將信號傳遞到另一個節點。但是，對于人工神經網絡，輸入信號定義為實數，輸出為各種輸入的總和。

這些輸入的值取決于它們的權重，該權重用于增加或減少與正在執行的任務相對應的輸入數據的重要性。其目標是采用任意數量的二進制數值輸入并將其轉換為單個二進制數值輸出。

更復雜的神經網絡提高了數據分析的復雜性

早期的神經網絡模型使用淺層結構，其中只使用一個輸入和輸出層。而現代的系統由一個輸入層和一個輸出層組成，其中輸入層首先將數據輸入網絡，多個“隱藏”層增加了數據分析的復雜性。

這就是“深度學習”一詞的由來——“深度”部分專門指任何使用多個“隱藏”層的神經網絡。

聚會的例子

為了說明人工神經網絡在實際中是如何工作的，我們將其簡化為一個實際示例。

想象一下你被邀請參加一個聚會，而你正在決定是否參加，這可能需要權衡利弊，并將各種因素納入決策過程。在此示例中，只選擇三個因素——“我的朋友會去嗎?”、“聚會地點遠嗎?”、“天氣會好嗎?”

通過將這些考慮因素轉換為二進制數值，可以使用人工神經網絡對該過程進行建模。例如，我們可以為“天氣”指定一個二進制數值，即‘1'代表晴天，‘0'代表惡劣天氣。每個決定因素將重復相同的格式。

然而，僅僅賦值是不夠的，因為這不能幫助你做出決定。為此需要定義一個閾值，即積極因素的數量超過消極因素的數量。根據二進制數值，合適的閾值可以是“2”。換句話說，在決定參加聚會之前，需要兩個因素的閾值都是“1”，你才會決定去參加聚會。如果你的朋友要參加聚會(‘1')，并且天氣很好(‘1')，那么這就表示你可以參加聚會。

如果天氣不好(‘0')，并且聚會地點很遠(‘0')，則達不到這一閾值，即使你的朋友參加(‘1')，你也不會參加聚會。

神經加權

誠然，這是神經網絡基本原理的一個非?；镜睦?，但希望它有助于突出二進制值和閾值的概念。然而，決策過程要比這個例子復雜得多，而且通常情況下，一個因素比另一個因素對決策過程的影響更大。

要創建這種變化，可以使用“神經加權”——-通過乘以因素的權重來確定因素的二進制值對其他因素的重要性。

盡管示例中的每個注意事項都可能使你難以決策，但你可能會更重視其中一個或兩個因素。如果你不愿意在大雨中出行去聚會，那惡劣的天氣將會超過其他兩個考慮因素。在這一示例中，可以通過賦予更高的權重來更加重視天氣因素的二進制值：

• 天氣= w5
• 朋友= w2
• 距離= w2

如果假設閾值現在已設置為6，則惡劣的天氣(值為0)將阻止其余輸入達到所需的閾值，因此該節點將不會“觸發”(這意味著你將決定不參加聚會)。

雖然這是一個簡單的示例，但它提供了基于提供的權重做出決策的概述。如果要將其推斷為圖像識別系統，則是否參加聚會(輸入)的各種考慮因素將是給定圖像的折衷特征，即顏色、大小或形狀。例如，對識別狗進行訓練的系統可以對形狀或顏色賦予更大的權重。

當神經網絡處于訓練狀態時，權重和閾值將設置為隨機值。然后，當訓練數據通過網絡傳遞時將不斷進行調整，直到獲得一致的輸出為止。

神經網絡的好處

神經網絡可以有機地學習。也就是說，神經網絡的輸出結果并不受輸入數據的完全限制。人工神經網絡可以概括輸入數據，使其在模式識別系統中具有價值。

他們還可以找到實現計算密集型答案的捷徑。人工神經網絡可以推斷數據點之間的關系，而不是期望數據源中的記錄是明確關聯的。

它們也可以是容錯的。當神經網絡擴展到多個系統時，它們可以繞過無法通信的缺失節點。除了圍繞網絡中不再起作用的部分進行路由之外，人工神經網絡還可以通過推理重新生成數據，并幫助確定不起作用的節點。這對于網絡的自診斷和調試非常有用。

但是，深度神經網絡提供的最大優勢是能夠處理和聚類非結構化數據，例如圖片、音頻文件、視頻、文本、數字等數據。在分析層次結構中，每一層節點都在前一層的輸出上進行訓練，深層神經網絡能夠處理大量的這種非結構化數據，以便在人類處理分析之前找到相似之處。

神經網絡的例子

神經網絡應用還有許多示例，可以利用它從復雜或不精確數據中獲得見解的能力。

圖像識別人工神經網絡可以解決諸如分析特定物體的照片等問題。這種算法可以用來區分狗和貓。更重要的是，神經網絡已經被用于只使用細胞形狀信息來診斷癌癥。

近30年來，金融神經網絡被用于匯率預測、股票表現和選擇預測。神經網絡也被用來確定貸款信用評分，學習正確識別良好的或糟糕的信用風險。而電信神經網絡已被電信公司用于通過實時評估網絡流量來優化路由和服務質量。

原文標題：What is an artificial neural network?，作者：Dale Walker

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】