神經網絡簡述

一、什么是神經網絡

機器學習中談論的神經網絡是指“神經網絡學習”,或者說,是機器學習和神經網絡這兩個學科領域的交叉部分[1]。

在這里,神經網絡更多的是指計算機科學家模擬人類大腦結構和智能行為,發明的一類算法的統稱。

神經網絡是眾多優秀仿生算法中的一種,讀書時曾接觸過蟻群優化算法,曾驚訝于其強大之處,但神經網絡的強大,顯然蟻群優化還不能望其項背。

二、簡要歷史

A、起源與第一次高潮。有人認為,神經網絡的最早討論,源于現代計算機科學的先驅——阿蘭.圖靈在1948年的論文中描述的“B型組織機器”[2]。二十世紀50年代出現了以感知機、Adaling為代表的一系列成功,這是神經網絡發展的第一個高潮[1]。

B、第一次低谷。1969年,馬文.明斯基出版《感知機》一書,書中論斷直接將神經網絡打入冷宮,導致神經網絡十多年的“冰河期”。值得一提的是,在這期間的1974年,哈佛大學Paul Webos發明BP算法,但當時未受到應有的重視[1]。

C、第二次高潮。1983年,加州理工學院的物理學家John Hopfield利用神經網絡,在旅行商問題上獲得當時最好結果,引起轟動;Rumelhart等人重新發明了BP算法,BP算法迅速走紅,掀起神經網絡第二次高潮[1]。

D、第二次低谷。二十世紀90年代中期,統計學習理論和支持向量機興起,較之于這些算法,神經網絡的理論基礎不清晰等缺點更加凸顯,神經網絡研究進入第二次低谷[1]。

E、深度學習的崛起。2010年前后,隨著計算能力的提升和大數據的涌現,以神經網絡為基礎的“深度學習”崛起,科技巨頭公司谷歌、Facebook、百度投入巨資研發,神經網絡迎來第三次高潮[1]。2016年3月9日至15日,Google人工智能程序AlphaGo對陣韓國圍棋世界冠軍李世乭,以4:1大比分獲勝,比眾多專家預言早了十年。這次比賽,迅速在全世界經濟、科研、計算機產業各領域掀起人工智能和深度學習的熱烈討論。

F、展望。從幾個方面討論一下。

1)、近期在Google AlphaGo掀起的熱潮中,民眾的熱情與期待最大,甚至有少許恐慌情緒;計算機產業和互聯網產業熱情也非常巨大,對未來充滿期待,各大巨頭公司對其投入大量資源;學術界的反應倒是比較冷靜的。學術界的冷靜,是因為神經網絡和深度神經網絡的理論基礎還沒有出現長足的進步,其缺點還沒有根本改善。這也從另一個角度說明了深度神經網絡理論進步的空間很大。

2)、"當代神經網絡是基于我們上世紀六十年代掌握的腦知識。"關于人類大腦的科學與知識正在爆炸式增長。[3]世界上很多學術團隊正在基于大腦機制新的認知建立新的模型[3]。我個人對此報樂觀態度,從以往的仿生算法來看,經過億萬年進化的自然界對科技發展的促進從來沒有停止過。

3)、還說AlphaGo,它并不是理論和算法的突破,而是基于已有算法的工程精品。AlhphaGo的工作,為深度學習的應用提供了非常廣闊的想象空間。分布式技術提供了巨大而廉價的計算能力,巨量數據的積累提供了豐富的訓練樣本,深度學習開始騰飛,這才剛剛開始。

三、神經元模型

[4]

3.1、來源

一直沿用至今的,是McChlloch和Pitts在1943年依據腦神經信號傳輸結構抽象出的簡單模型,所以也被稱作”M-P神經元模型“。

3.2、數學模型

其中,

f函數像一般形如下圖的函數,既考慮階躍性,又考慮光滑可導性。

[4]

實際常用如下公式,因形如S,故被稱作sigmoid函數。

把很多個這樣的神經元按一定層次連接起來,就得到了神經網絡。

四、感知機(Perceptron)[1]

[4]

4.1、網絡結構

兩層神經元組成,輸入層接收外界輸入信號,輸出層是M-P神經元(只有輸出層是)。

4.2、數學模型

感知機的數學模型和單個M-P神經元的數學模型是一樣的,如因為輸入層只需接收輸入信號,不是M-P神經元。

4.3、訓練

4.4、缺點

感知機只有輸出層神經元是B-P神經元,學習能力非常有限。對于現行可分問題,可以證明學習過程一定會收斂。而對于非線性問題,感知機是無能為力的。

五、其他常見神經網絡

5.1、BP神經網絡

BP神經網絡全稱叫作誤差逆傳播(Error Propagation)神經網絡,一般是指基于誤差逆傳播算法的多層前饋神經網絡。這里為了不占篇幅,BP神經網絡將起篇另述。

BP算法是迄今最為成功的神經網絡學習算法,也是最有代表性的神經網絡學習算法。BP算法不僅用于多層前饋神經網絡,還用于其他類型神經網絡的訓練。

5.2、RBF網絡

RBF網絡全程徑向基函數(Radial Basis Function)網絡,是一種單隱層前饋神經網絡,其與BP網絡最大的不同是采用徑向基函數作為隱層神經元激活函數。

5.3、CNNs

卷積神經網絡(Convolutional neural networks,簡稱CNNs)是一種深度學習的前饋神經網絡,在大型圖片處理中取得巨大成功。卷積神經網絡將起篇另述。

5.4、RNNs

循環神經網絡(Recurrent Neural Networks,RNNs)與傳統的FNNs不同,RNNs引入定向循環,能夠處理那些輸入之間前后關聯的問題。RNNs已經在眾多自然語言處理(Natural Language Processing, NLP)中取得了巨大成功以及廣泛應用[5]。RNNs將起篇另述。[5]

六、參考

[1]、《機器學習》,周志華著

[2]、《模式識別(第二版)》,Richard O.Duda等著,李宏東等譯

[3]、《揭秘IARPA項目:解碼大腦算法或將徹底改變機器學習》,Emily Singerz著,機器之心編譯出品

[4]、圖片來源于互聯網

[5]、循環神經網絡(RNN, Recurrent Neural Networks)介紹

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,825評論 6 546
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 99,814評論 3 429
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,980評論 0 384
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 64,064評論 1 319
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 72,779評論 6 414
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 56,109評論 1 330
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,099評論 3 450
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 43,287評論 0 291
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,799評論 1 338
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 41,515評論 3 361
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,750評論 1 375
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,221評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,933評論 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,327評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,667評論 1 296
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 52,492評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,703評論 2 380

推薦閱讀更多精彩內容