神经网络一

左手的ㄟ右手 2022-06-08 06:14 215阅读 0赞

![20160817072812773][]

图2 一个人工神经细胞

我想你现在可能很想知道，一个人工神经细胞究竟是一个什么样的东西？但是，它实际上什么东西也不像; 它只是一种抽象。还是让我们来察看一下图2吧，这是表示一个人工神经细胞的一种形式。

图中，左边几个灰底圆中所标字母w代表浮点数，称为权重（weight，或权值，权数）。进入人工神经细胞的每一个input(输入)都与一个权重w相联系，正是这些权重将决定神经网络的整体活跃性。你现在暂时可以设想所有这些权重都被设置到了-１和１之间的一个随机小数。因为权重可正可负，故能对与它关联的输入施加不同的影响，如果权重为正，就会有激发（excitory）作用，权重为负，则会有抑制（inhibitory）作用。当输入信号进入神经细胞时，它们的值将与它们对应的权重相乘，作为图中大圆的输入。大圆的‘核’是一个函数，叫激励函数(activation function)，它把所有这些新的、经过权重调整后的输入全部加起来，形成单个的激励值(activation value)。激励值也是一浮点数，且同样可正可负。然后，再根据激励值来产生函数的输出也即神经细胞的输出：如果激励值超过某个阀值（作为例子我们假设阀值为1.0），就会产生一个值为1的信号输出；如果激励值小于阀值1.0，则输出一个0。这是人工神经细胞激励函数的一种最简单的类型。在这里，从激励值产生输出值是一个阶跃函数\[译注2\]。看一看图3后你就能猜到为什么有这样的名称。

![Center][]

图3 阶跃激励函数

\[译注2\] 由图可知阶跃函数是一元的，而激励函数既然能把多个输入相加应为多元，故需加以区别。  
 如果到目前为止你对这些还没有获得很多感觉，那也不必担心。窍门就是: 不要企图去感觉它，暂时就随波逐流地跟我一起向前走吧。在经历本章的若干处后，你最终就会开始弄清楚它们的意义。而现在，就放松一点继续读下去吧。

3.1 现在需要一些数学了（Now for Some Math）  
　　 今后讨论中，我将尽量把数学降低到绝对少量，但学习一些数学记号对下面还是很有用的。我将把数学一点一点地喂给你，在到达有关章节时向你介绍一些新概念。我希望采用这样的方式能使你的头脑能更舒适地吸收所有的概念，并使你在开发神经网络的每个阶段都能看到怎样把数学应用到工作中。现在首先让我们来看一看，怎样把我在此之前告诉你的所有知识用数学方式表达出来。

一个人工神经细胞(从现在开始，我将把“人工神经细胞”简称它为“神经细胞”) 可以有任意n个输入，n代表总数。可以用下面的数学表达式来代表所有n个输入：

x1, x2, x3, x4, x5, ..., xn

同样 n 个权重可表达为:

w1, w2, w3, w4, w5 ..., wn

请记住，激励值就是所有输入与它们对应权重的之乘积之总和，因此，现在就可以写为:

a = w1x1 \+ w2x2 \+ w3x3 \+ w4x4 \+ w5x5 \+...+ wnxn

以这种方式写下的求和式，我在第5章“建立一个更好的遗传算法”中已提到，可以用希腊字母Σ来简化：

![Center 1][]

译注：  
神经网络的各个输入，以及为各个神经细胞的权重设置，都可以看作一个n维的向量。你在许多技术文献中常常可以看到是以这样的方式来引用的。

下面我们来考察在程序中应该怎样实现？假设输入数组和权重数组均已初始化为x\[n\]和w\[n\]，则求和的代码如下:

double activation = 0; 
for(int i=0; i<n; ++i) 
\{ 
activation += x\[i\] \* w\[i\]; 
\}

图4以图形的方式表示了此方程。请别忘记，如果激励值超过了阀值，神经细胞就输出1; 如果激活小于阀值，则神经细胞的输出为0。这和一个生物神经细胞的兴奋和抑制是等价的。我们假设一个神经细胞有5个输入，他们的权重w都初始化成正负1之间的随机值(-1 < w < 1) 。 表2说明了激励值的求和计算过程。

![Center 2][]

图4 神经细胞的激励函数

如果我们假定激活所需阀值=1，则因激励值1.1 > 激活阀值１，所以这个神经细胞将输出1。  
在进一步读下去之前，请你一定要确切弄懂激励函数怎样计算。

表2 神经细胞激励值的计算

<table style="border-collapse:collapse; border-spacing:0px; max-width:100%; color:rgb(69,69,69); font-family:'PingFang SC','Microsoft YaHei',SimHei,Arial,SimSun; line-height:24px; text-align:center; width:400px"> 
 <tbody style=""> 
 <tr style=""> 
 <td style=""> &nbsp;输 入 </td> 
 <td style=""> &nbsp;权 重 </td> 
 <td style=""> &nbsp;输入与权重的乘积 </td> 
 <td style=""> &nbsp;运行后总和&nbsp;&nbsp; </td> 
 </tr> 
 <tr style=""> 
 <td style="">1</td> 
 <td style="">&nbsp;0.5</td> 
 <td style="">&nbsp;0.5</td> 
 <td style="">&nbsp;0.5&nbsp;</td> 
 </tr> 
 <tr style=""> 
 <td style="">0</td> 
 <td style="">-0.2</td> 
 <td style="">&nbsp;0</td> 
 <td style="">&nbsp;0.5</td> 
 </tr> 
 <tr style=""> 
 <td style="">1&nbsp;</td> 
 <td style="">-0.3&nbsp;</td> 
 <td style="">-0.3&nbsp;</td> 
 <td style="">&nbsp;0.2&nbsp;</td> 
 </tr> 
 <tr style=""> 
 <td style="">1&nbsp;</td> 
 <td style="">0.9</td> 
 <td style="">&nbsp;0.9&nbsp;</td> 
 <td style="">&nbsp;1.1&nbsp;</td> 
 </tr> 
 <tr style=""> 
 <td style="">0</td> 
 <td style="">0.1</td> 
 <td style="">&nbsp;0</td> 
 <td style="">&nbsp;1.1&nbsp;</td> 
 </tr> 
 </tbody> 
</table>

3.2 行，我知道什么是神经细胞了，但用它来干什么呢？  
 　　大脑里的生物神经细胞和其他的神经细胞是相互连接在一起的。为了创建一个人工神经网络，人工神经细胞也要以同样方式相互连接在一起。为此可以有许多不同的连接方式，其中最容易理解并且也是最广泛地使用的，就是如图5所示那样，把神经细胞一层一层地连结在一起。这一种类型的神经网络就叫前馈网络（feedforword network）。这一名称的由来，就是因为网络的每一层神经细胞的输出都向前馈送（feed）到了它们的下一层（在图中是画在它的上面的那一层)，直到获得整个网络的输出为止。

![Center 3][]  
  
　　　　图5 一个前馈网络

由图可知，网络共有三层（译注：输入层不是神经细胞，神经细胞只有两层）。输入层中的每个输入都馈送到了隐藏层，作为该层每一个神经细胞的输入；然后，从隐藏层的每个神经细胞的输出都连到了它下一层（即输出层）的每一个神经细胞。图中仅仅画了一个隐藏层，作为前馈网络，一般地可以有任意多个隐藏层。但在对付你将处理的大多数问题时一层通常是足够的。事实上，有一些问题甚至根本不需要任何隐藏单元，你只要把那些输入直接连结到输出神经细胞就行了。另外，我为图5选择的神经细胞的个数也是完全任意的。每一层实际都可以有任何数目的神经细胞，这完全取决于要解决的问题的复杂性。但神经细胞数目愈多，网络的工作速度也就愈低，由于这一缘故，以及为了其他的几种原因（我将在第9章作出解释），网络的规模总是要求保持尽可能的小。  
  
　　 到此我能想象你或许已对所有这些信息感到有些茫然了。我认为，在这种情况下，我能做的最好的事情，就是向你介绍一个神经网络在现实世界中的实际应用例子，它有望使你自己的大脑神经细胞得到兴奋！不错吧？好的，下面就来了...  
  
　 你可能已听到或读到过神经网络常常用来作模式识别。这是因为它们善于把一种输入状态（它所企图识别的模式）映射到一种输出状态（它曾被训练用来识别的模式）。  
  
　　下面我们来看它是怎么完成的。我们以字符识别作为例子。设想有一个由8x8个格子组成的一块面板。每一个格子里放了一个小灯，每个小灯都可独立地被打开（格子变亮）或关闭（格子变黑），这样面板就可以用来显示十个数字符号。图6显示了数字“4”。

![Center 4][]

图6 用于字符显示的矩阵格点

要解决这一问题，我们必需设计一个神经网络，它接收面板的状态作为输入，然后输出一个1或0；输出1代表ANN确认已显示了数字“4”，而输出0表示没有显示“4”。因此，神经网络需要有64个输入(每一个输入代表面板的一个具体格点) 和由许多神经细胞组成的一个隐藏层，还有仅有一个神经细胞的输出层，隐藏层的所有输出都馈送到它。我真希望你能在你的头脑中画出这个图来，因为要我为你把所有这些小圆和连线统统画出来确实不是一桩愉快的事<一笑>。 
 
 　　一旦神经网络体系创建成功后，它必须接受训练来认出数字“4”。为此可用这样一种方法来完成：先把神经网的所有权重初始化为任意值。然后给它一系列的输入，在本例中，就是代表面板不同配置的输入。对每一种输入配置，我们检查它的输出是什么，并调整相应的权重。如果我们送给网络的输入模式不是“4”， 则我们知道网络应该输出一个0。因此每个非“4”字符时的网络权重应进行调节，使得它的输出趋向于0。当代表“4”的模式输送给网络时，则应把权重调整到使输出趋向于1。 
 
　　 如果你考虑一下这个网络，你就会知道要把输出增加到10是很容易的。然后通过训练，就可以使网络能识别0到9 的所有数字。但为什么我们到此停止呢？我们还可以进一步增加输出，使网络能识别字母表中的全部字符。这本质上就是手写体识别的工作原理。对每个字符，网络都需要接受许多训练，使它认识此文字的各种不同的版本。到最后，网络不单能认识已经训练的笔迹，还显示了它有显著的归纳和推广能力。也就是说，如果所写文字换了一种笔迹，它和训练集中所有字迹都略有不同，网络仍然有很大几率来认出它。正是这种归纳推广能力，使得神经网络已经成为能够用于无数应用的一种无价的工具，从人脸识别、医学诊断，直到跑马赛的预测，另外还有电脑游戏中的bot（作为游戏角色的机器人）的导航，或者硬件的robot（真正的机器人）的导航。 
 
 　这种类型的训练称作有监督的学习（supervised learnig），用来训练的数据称为训练集（training set）。调整权重可以采用许多不同的方法。对本类问题最常用的方法就是反向传播（backpropagation，简称backprop或BP）方法。有关反向传播问题，我将会在本书的后面，当你已能训练神经网络来识别鼠标走势时，再来进行讨论。在本章剩余部分我将集中注意力来考察另外的一种训练方式，即根本不需要任何导师来监督的训练，或称无监督学习（unsupervised learnig）。

[20160817072812773]: /images/20220608/90bb9462b04f4e7da89ff9cfd849d527.png
[Center]: /images/20220608/b976b9ed338243c3bb730a4bdbb9a8f3.png
[Center 1]: /images/20220608/82564a2f65c7401083146907eab6ccb9.png
[Center 2]: /images/20220608/56b604500b3445128920e09ba4870a47.png
[Center 3]: /images/20220608/2914815df8a5487291f784d8e1104faa.png
[Center 4]: /images/20220608/5275a3b50df24780beb822db4e6aa1ad.png