初次尝试理解“神经网络”

看完《津巴多普通心理学》,又看过《和另一个自己谈谈心》,我新开始看的心理学书籍是《心理学和生活》,这本书讲"心理学"之前,会先讲"生物学",其中的一个"生物学"概念叫做"神经网络",隶属于神经科学(neuroscience)的研究范围。

神经网络的搭建基础,是被称作"神经元"的细胞,它分作三个类别:感觉神经元、运动神经元和中间神经元。感觉神经元将感受器细胞感受到的信息------比如眼睛看到的光、耳朵听到的声音------向内传递到中枢神经系统;运动神经元则将中枢神经系统的信息向外传递到肌肉和腺体;中间神经元是一种中介,它们将信息从感觉神经元传递到其它神经元或者运动神经元。

我们人类脑中的神经元数量,大约在一千亿到一亿亿之间。中枢神经系统和外周神经系统,都是由神经元组成的,中枢神经系统存在于脑和脊髓之内,外周神经系统是除了中枢神经系统之外的其它神经组织。

关于"神经网络",书中讲解的内容全面且深入,从神经元之间的信号如何传递(即有物理的电信号,也涉及到化学中的离子),到脑子中各个部分的功能划分(比如小脑负责身体运动、控制姿势并维持平衡),再到辅助神经系统的内分泌系统......

我还做不到使用自己的语言将它们复述一遍,我理解到的,是一种工作模式,即我们平日里的各种活动,不管"吃饭"还是"快乐的感觉",都是神经网络输入与输出的一种具体表现;神经网络对输入输出的处理,并不是将所有信息都收集到一起后再由某个"总负责人"处理,而是神经元在对信息的传递过程中,就已经做了筛选和处理。

同一种神经递质在一种突触中可以产生兴奋作用,而在另一种突触中却产生抑制作用。每个神经元整合它与1000~10 000个其他神经元之间形成的突触所得到的信息,再决定它是否应该发出另一个动作电位。正是整合数以千计的兴奋和抑制性输入,才使得全或无的动作电位成为所有人类体验的基础。

由此,对输入信号的处理,有一个"层"的概念。以视觉举例,光线首先通过角膜、瞳孔和晶状体到达视网膜,接着视网膜借助锥体细胞和杆体细胞将光波转换为神经信号,这些信号再传递给视神经,信号再经过视束变成"这东西看起来像什么"以及"它在哪个位置",最终,信号到达视皮层,再经由一些处理完成物体的辨认。(即便很认真看书中描述,但要将"看见"这个过程复述出来,我依然感觉好难好难。)

"看见"的过程

前几个月,我对AI(人工智能)生出兴趣,我想了解一下ChatGPT是如何做到"你想知道的,问我,我都知道"的,我找到《这就是ChatGPT》来看。整本书只是作者两篇论文(应该一篇是论文,一篇只是一个产品的简要介绍文章)的汇总,书中关于"学习"的一个概念叫做"神经网络",我不知道"神经网络"如何工作,于是又找到《人工智能核心:神经网络(青少科普版)》来看。

很巧合的,刚刚对生物学中"神经网络"有些了解的我,再理解计算机中的"神经网络",有多出些优势:我知道"神经网络"处理信息,是一层层进行不回头的,计算机中的"神经网络"是一样的处理框架,一个输入,经由一层又一层"神经元"的处理,最终能够高概率生成我们想要的输出。

简单的神经元

如上图,计算机中单个神经元,拥有多个输入,每个输入拥有属于自己的权重,输入乘以权重再求和,和与某个阈值进行比较,最后输出结果只有是和否。

看单个神经元,是比较好理解的,整个过程只是给予一些条件,进行简单的计算,再将结果进行简单的分类。但当隐藏层出现时,我就开始了困惑,首先,为什么需要隐藏层?我在书中没有找到答案,一番搜索之后获得的理解有"隐藏层将上一层的输入进行筛选或简化,让下一层只关注真正需要的数据""隐藏层可以有很多层""隐藏层属于神经网络的核心"。

跳过隐藏层(因为我自己目前还理不清楚),我新搞懂的一个概念是"机器学习"。当我们构造出一个神经网络之后,可以给予它很多很多的数据,让它基于这些数据去"训练"自己,当训练成功之后,这个神经网络就能帮助我们很------但做不到绝对------准确地去做事情。比如书中示例,当我们给予神经网络几张照片并告诉它照片中物体是鸟还是蝙蝠,经过训练的它在收到新图像时,便能判断出新图片中物体是鸟还是蝙蝠。

具体的训练规则,可以是调整输入的权重,也可以是调整输出的阈值。以仅仅调整阈值举例,初始神经元根据正确的数据输入会输出一个结果A,A与该神经元设定的正确输出B并不一致,此时可以获得A和B之间的差异,差异的反面,就是更靠近正确输出的那个。基于这个规则,神经网络于是可以自训练。

以上,是我初次尝试理解"神经网络"的结果,也是看完《人工智能核心:神经网络(青少科普版)》后逼自己输出的只浮于表面的读书笔记。

神经网络很难,但并没有难到难以理解。

相关推荐
边缘计算社区26 分钟前
奥迪:在工业边缘使用 VMware 边缘计算堆栈
人工智能·边缘计算
说私域33 分钟前
基于社交关系的电商平台发展与创新:以微店买家版为例兼论开源 AI 智能名片 2 + 1 链动模式 S2B2C 商城小程序
人工智能·小程序
啊文师兄44 分钟前
使用 Pytorch 搭建视频车流量检测资源(基于YOLO)
人工智能·pytorch·yolo
使者大牙1 小时前
【LLM学习笔记】第三篇:模型微调及LoRA介绍(附PyTorch实例)
人工智能·pytorch·python·深度学习
Elastic 中国社区官方博客1 小时前
Elasticsearch 和 Kibana 8.16:Kibana 获得上下文和 BBQ 速度并节省开支!
大数据·数据库·人工智能·elasticsearch·搜索引擎·ai·全文检索
陌上阳光1 小时前
动手学深度学习69 BERT预训练
人工智能·深度学习·bert
车载诊断技术1 小时前
电子电气架构--- 实施基于以太网的安全车载网络
网络·人工智能·安全·架构·汽车·电子电器架构
学步_技术2 小时前
自动驾驶系列—自动驾驶车辆的姿态与定位:IMU数据在复杂环境中的关键作用
人工智能·自动驾驶·imu
开发者每周简报2 小时前
当微软windows的记事本被AI加持
人工智能·windows·microsoft
沉下心来学鲁班2 小时前
欺诈文本分类检测(十八):基于llama.cpp+CPU推理
人工智能·语言模型·分类·cpu·llama.cpp