1、人工智能的很多进步都是新的统计模型，其中绝大多数来自于一项称作「人工神经网络」（artificial neural networks）的技术，简称ANN。

(资料图片)

2、这种技术十分粗略地模拟了人脑的结构。

3、值得注意的是，人工神经网络和神经网络是不同的。

4、很多人为了方便起见而把 「人工神经网络」中的人工二字省略掉，这是不准确的，因为使用「人工」这个词正是为了与计算神经生物学中的神经网络相区别。

5、以下便是真实的神经元和神经突触。

6、我们的ANN中有称作「神经元」的计算单元。

7、这些人工神经元通过「突触」连接，这里的「突触」指的是权重值。

8、这意味着，给定一个数字，一个神经元将执行某种 计算（例如一个sigmoid函数），然后计算结果会被乘上一个权重。

9、如果你的神经网络只有一层，那么加权后的结果就是该神经网络的输出值。

10、或者，你也可 以配置多层神经元，这就是深度学习的基础概念。

11、它们起源何处？人工神经网络不是一个新概念。

12、事实上，它们过去的名字不叫神经网络，它们最早的状态和我们今天所看到的也完全不一样。

13、20世纪60年代，我们把它称之为感知 机（perceptron），是由McCulloch-Pitts神经元组成。

14、我们甚至还有了偏差感知机。

15、最后，人们开始创造多层感知机，也就是我们今天 通常听到的人工神经网络。

16、如果神经网络开始于20世纪60年代，那为什么它们直到今天才流行起来？这是个很长的故事，简单来说，有一些原因阻碍了ANN的发展。

17、比如，我们过去的计算 能力不够，没有足够多的数据去训练这些模型。

18、使用神经网络会很不舒服，因为它们的表现似乎很随意。

19、但上面所说的每一个因素都在变化。

20、如今，我们的计算机变得更快更强大，并且由于互联网的发展，我们可使用的数据多种多样。

21、它们是如何工作的？上面我提到了运行计算的神经元和神经突触。

22、你可能会问：「它们如何学习要执行何种计算？」从本质上说，答案就是我们需要问它们大量的问题，并提供给它们答案。

23、这叫做有监督学习。

24、借助于足够多的「问题－答案」案例，储存在每个神经元和神经突触中的计算和权值就能慢慢进行调整。

25、通常，这是通过一个叫做反向传播（backpropagation）的过程实现的。

本文到此分享完毕，希望对大家有所帮助。

标签：