关注我们 了解更多
我是一个AI神经元
我是一个AI神经元，刚刚来到这个世界上，一切对我来说都特别新奇。之所以叫这个名字，是因为我的工作有点像人类身体中的神经元。
人体中的神经元可以传递生物信号，给它输入一个信号，它经过处理后再输出一个信号传递给别的神经元，最终传递到大脑完成对一个信号的决策和处理。
聪明的计算机科学家们受到启发，在代码程序里发明了我：神经元函数。
在我们的世界里，我只是普普通通的一员，像我这样的神经元有成百上千，甚至上万个，我们按照层的形式，组成了一个庞大的神经网络。
很快我和隔壁工位的大白开始混熟了，他比我来得早，对这里要熟悉的多。
听大白告诉我说，我们这个神经网络是一个图像识别的AI程序，只要给我们输入一张狗的照片，我们就能告诉你这是一只柯基，还是泰迪、柴犬、二哈···
神经元结构
在大白的指引下，我很快就学会了怎么工作。
虽然我们叫神经元，名字听起来挺神秘的，但实际上我就是一个普通函数，有参数，有返回值，普通函数有的我都有：
defneuron(a):
w = [...]
b = ...
...
我有一个参数a，这个参数是一个数组，里面的每一个元素我把它分别叫做a1，a2，a3···用这个a来模拟我这个神经元收到的一组信号。
人类的神经元是怎么处理输入的生物信号我不知道，我估计挺复杂的。但在我这里就很简单:我给每一个输入值设定一定的权重，然后做一个简单的加权求和，最后再加上一个偏移值就行啦！
所以我还有一个数组叫做w，就是权重weight的意思，里面的每一个元素我叫做w1，w2，w3···，至于那个偏移值，就叫它bias。
如此一来我的工作你们也该猜到了，就是把传进来的a里面的每个元素和w里的每一个元素做乘法，再加起来，最后加上偏移值，就像这样：
说到这里，我突然想到一个问题，打算去问问大白。
“大白，这些要计算的数据都是从哪里来的呢？”
“是上一层的神经元们送过来的”
“那他们的数据又是哪来的呢？”，我刨根问题的问到。
大白带我来到了门口，指向另外一个片区说到，“看到了吗？那里是数据预处理部门，他们负责把输入的图片中的像素颜色信息提取出来，交给我们神经网络部门来进行分析。”
“交给我们？然后呢”
“咱们这个神经网络就像一台精密的机器，我们俩只是其中两个零件，不同的权重值某种意义上代表了对图片上不同位置的像素关心程度。一旦开动起来，喂给我们图片数据，我们每一个神经元就开始忙活起来，一层层接力，把最终的结果输出到分类器，最终识别出狗的品种。”
神经网络训练
正聊着，突然，传来一阵广播提示音，大家都停止了闲聊，回到了各自工位。
“这是要干啥，这么大阵仗？”，我问大白。
“快坐下，马上要开始训练了”，大白说到。
“训练？训练什么？”
“咱们用到的那些权重值和偏移值你以为怎么来的？就是通过不断的训练得出来的。”
还没说到几句话，数据就开始送过来了。按照之前大白教给我的，我将输入数据分别乘以各自的权重，然后相加，最后再加上偏移bias，就得到了最后的结果，整个过程很轻松。
我准备把计算结果交给下一层的神经元。
大白见状赶紧制止了我，“等一下！你不能直接交出去”
“还要干嘛？”
大白指了一下我背后的另一个家伙说到：“那是激活函数，得先交给他处理一下”
“激活函数是干嘛的？”，我问大白。
“激活，就是根据输入信号量的大小去激活产生对应大小的输出信号。这是在模仿人类的神经元对神经信号的反应程度大小，好比拿一根针去刺皮肤，随着力道的加大，身体的疼痛感会慢慢增强，差不多是一个道理。”
听完大白的解释，我点了点头，好像明白了，又好像不太明白。
后来我才知道，这激活函数还有好几种，经常会打交道的有这么几个：
sigmoid
tanh
relu
leaky relu
激活函数处理完后，总算可以交给下一层的神经元了，我准备稍事休息一下。
刚坐下，就听到大厅的广播：
随后，又来了一组新的数据，看来我是没时间休息了，赶紧再次忙活了起来。
这一忙不要紧，一直搞了好几个小时，来来回回重复工作了几万次，我都快累瘫了。
损失函数 & 优化方法
趁着休息的空当，我又和大白聊了起来。
“大白，刚刚咱们这么来来回回折腾了几万次，这是在干啥啊？”
大白也累的上气不接下气，缓了缓才说到：“这叫做网络训练，通过让我们分析大量不同品种狗的图片，让我们训练出合适的权重和偏移值，这样，我们就变得会认识狗品种了，以后正式工作的时候给我们新的狗的图片，咱们也能用学到的知识去分辨啦！”
“那到底是怎么训练的，你给我说说呗”，我继续问到。
“你刚才也看到了，广播里不断通知更新权重和偏移值。这训练就是通过不断的尝试修改每一层神经元的权重值和偏移值，来不断优化，找到最合适的数值，让我们对狗的种类识别准确率最好！”，大白说到。
“不断尝试修改？这么多神经元，难不成看运气瞎碰？”
大白给了我一个白眼，“怎么可能瞎试，那得试到猴年马月去了。咱们这叫深度学习神经网络，是能够自学习的！”
他这么一说我更疑惑了，“怎么个学习法呢？”
“其实很简单，咱们先选一组权重偏移值，做一轮图片识别，然后看识别结果和实际结果之间的差距有多少，把差距反馈给咱们后，再不断调整权重和偏移，让这个差距不断缩小，直到差距接近于0，这样咱们的识别准确率就越接近100%”
“额，听上去好像很简单，不过我还有好多问题啊。怎么去衡量这个差距呢？具体怎么调整权重偏移呢？调整幅度该多大好呢？”，我小小的脑袋一下冒出了许多的问号。
大白脸上露出了不可思议的表情，“小伙子，不错嘛！你一下问出了神经网络的三个核心概念。”
“是哪三个？快给我说说”
大白喝了口水，顿了顿接着说到，“首先，怎么去衡量这个差距？这个活，咱们部门有个人专门干这活，他就是损失函数，他就是专门来量化咱们的输出结果和实际结果之间的差距。量化的办法有很多种，你空了可以去找他聊聊”
“那第二个呢？”
“第二个，具体怎么调整，这也涉及到咱们神经网络中一个核心概念，他就是优化方法，咱们部门用的最多的是一个叫梯度下降的方法。那玩意儿有点复杂，一时半会儿给你说不清楚，大概差不多就是用求导数的方式寻找如何让损失函数的损失值变小”，大白继续耐心的解释着。
“好吧，那第三个核心概念是什么？”
“你刚不是问调整幅度吗？这个调整幅度太小了不行，这样咱们训练的太慢了，那得多训练很多回。太大了也不行，要是一不小心错过了那个最优值，损失函数的结果就会来回摇摆，不能收敛，所以有一个叫学习速率的数值，通常需要程序员们凭借经验去设定”
我还沉浸在大白的讲解中，广播声再次响起：
看来程序员修改了学习速率，我只好打起精神，继续去忙了，真不知道何时才能训练达标啊～
风险提示
风险提示：浙商基金管理有限公司（“本公司”）尽力为投资者提供全面完整、真实准确、及时有效的资讯信息。本材料并非法律文件，所提供信息仅供参考，本公司不对其准确性或完整性提供直接或隐含的声明或保证。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证本基金一定盈利，也不保证最低收益。过往业绩不代表未来，基金管理人管理的其他基金业绩不构成对基金业绩的保证。本材料不构成任何投资建议，投资者在投资前请参阅本公司在中国证监会指定信息披露媒体发布的正式公告和有关信息。投资人应当认真阅读《基金合同》、《招募说明书》等基金法律文件，了解基金的风险收益特征，并根据自身的投资目的、投资期限、投资经验、资产状况等判断基金是否和投资人的风险承受能力相适应。本公司及其雇员、代理人对使用本材料及其内容所引发的任何直接或间接损失不承担任何责任。人工智能投资存在固有缺陷，投资者应当充分了解基金运用人工智能投资的风险收益特征。基金有风险，投资需谨慎。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
