陳小娟

摘 要：近年來(lái)，人工智能發(fā)展迅猛，在圖像識(shí)別、語(yǔ)音識(shí)別、醫(yī)療輔助、無(wú)人駕駛及無(wú)人機(jī)、金融決策、物流管理等各個(gè)領(lǐng)域取得了突破性進(jìn)展。為了讓人工智能更好地服務(wù)于人類，我們需要進(jìn)一步認(rèn)識(shí)理解人工智能，文章將著重對(duì)基于神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)的應(yīng)用及算法進(jìn)行探討。

關(guān)鍵詞：人工智能;神經(jīng)網(wǎng)絡(luò);算法

1概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡(jiǎn)寫為 ANNs）也簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)（NNs），它的生物原型是人腦和構(gòu)成人腦的神經(jīng)元。

生理學(xué)家告訴我們：人腦包含 800 億個(gè)神經(jīng)元，這些神經(jīng)元中的每一個(gè)都類似一個(gè)小的處理單元，它們按照某種方式連接，接受外部刺激，做出響應(yīng)處理的過(guò)程，也就是大腦對(duì)信息處理的過(guò)程。

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。

2神經(jīng)元與神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元與人工神經(jīng)網(wǎng)絡(luò)模仿人腦的神經(jīng)結(jié)構(gòu)，旨在讓計(jì)算機(jī)擁有更強(qiáng)大的學(xué)習(xí)能力。要實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)具有類似于人腦的功能，就需要對(duì)人腦進(jìn)行深入的了解。首先，我們?cè)敿?xì)了解生物學(xué)中的神經(jīng)元與神經(jīng)網(wǎng)絡(luò)。

2.1神經(jīng)元

神經(jīng)元的輸入通道是樹(shù)突，樹(shù)突會(huì)將來(lái)自其他神經(jīng)元的電信號(hào)傳送至細(xì)胞本體，進(jìn)行處理。處理完的信息需要進(jìn)行相應(yīng)輸出，神經(jīng)元響應(yīng)產(chǎn)生的電信號(hào)再通過(guò)軸突和突觸傳遞到下一個(gè)神經(jīng)元。

2.2人工神經(jīng)元

計(jì)算機(jī)科學(xué)家從生物模型出發(fā)，衍生抽象出數(shù)學(xué)模型，即人工神經(jīng)元。人工神經(jīng)元功能類似于生物學(xué)的神經(jīng)元：相對(duì)于樹(shù)突的作用，會(huì)有幾個(gè)不同的輸入信號(hào);當(dāng)中有一個(gè)處理單元，即相當(dāng)于神經(jīng)元細(xì)胞本體，它對(duì)每一個(gè)輸入信號(hào)進(jìn)行加權(quán)處理確定其強(qiáng)度，對(duì)所有輸入信號(hào)求和，確定組合效果，通過(guò)激勵(lì)函數(shù)確定其輸出;該輸出信號(hào)再連接到下一個(gè)人工神經(jīng)元的輸入。這樣人工神經(jīng)元可按照神經(jīng)網(wǎng)絡(luò)連接方式，連接成人工神經(jīng)網(wǎng)絡(luò)。

2.3人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)模仿神經(jīng)元在人腦中的結(jié)構(gòu)連接，一個(gè)人工神經(jīng)網(wǎng)絡(luò)可以由幾個(gè)甚至幾百萬(wàn)個(gè)人工神經(jīng)元構(gòu)成，這些神經(jīng)元排列在一系列的層中，每個(gè)層之間彼此相連。一個(gè)完整的神經(jīng)網(wǎng)絡(luò)由一層輸入層、多層隱藏層、一層輸出層構(gòu)成。

按照類型分，人工神經(jīng)網(wǎng)絡(luò)可以分為前饋型神經(jīng)網(wǎng)絡(luò)和反饋型神經(jīng)網(wǎng)絡(luò)。前饋型神經(jīng)網(wǎng)絡(luò)，是單向多層結(jié)構(gòu)，即各神經(jīng)元從輸入層開(kāi)始，只接收上一

層的輸出，并輸出到下一層，直至輸出層，整個(gè)網(wǎng)絡(luò)中無(wú)反饋。這一類神經(jīng)網(wǎng)絡(luò)經(jīng)常用于圖像識(shí)別、檢測(cè)和分割。

反饋型神經(jīng)網(wǎng)絡(luò)，比較復(fù)雜一些，也更接近于人腦的構(gòu)造，它是一種從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡(luò)。當(dāng)前的結(jié)果受到先前所有結(jié)果的影響。通常用于語(yǔ)音處理、文本處理、問(wèn)答系統(tǒng)等類似于自然語(yǔ)言處理方面。因?yàn)樽匀徽Z(yǔ)言處理，通常有上下文的語(yǔ)境，則會(huì)用到反饋型神經(jīng)網(wǎng)絡(luò)。

2.4神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法

人工神經(jīng)網(wǎng)絡(luò)是否能成功應(yīng)用，其模型構(gòu)建是需要訓(xùn)練的，對(duì)于每一個(gè)輸入，如何組合，其權(quán)重如何確定，即其參數(shù)的獲取，要通過(guò)訓(xùn)練算法與函數(shù)來(lái)實(shí)現(xiàn)。訓(xùn)練成熟之前，得到的參數(shù)可能會(huì)與期望的結(jié)果存在很大誤差。對(duì)于此類問(wèn)題，解決方式之一是采用以誤差為主導(dǎo)的反向傳播算法。

反向傳播算法，其本質(zhì)是通過(guò)前向傳遞輸入信號(hào)直至輸出產(chǎn)生誤差，再將誤差信息反向傳播，去更新網(wǎng)絡(luò)權(quán)重矩陣。通過(guò)這種反饋機(jī)制，反饋越多，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果將越準(zhǔn)確。

目前，基于神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)，對(duì)手寫體數(shù)字識(shí)別正確率可達(dá) 99.8%。對(duì)于圖像識(shí)別和分類，有一個(gè) ImageNet 圖像分類比賽，采用這種神經(jīng)網(wǎng)絡(luò)

訓(xùn)練算法，通過(guò)很多隱藏層，經(jīng)過(guò)多次訓(xùn)練，最終神經(jīng)網(wǎng)絡(luò)算法的錯(cuò)誤率低至3.1%，而人類分類錯(cuò)誤率為 5%，神經(jīng)網(wǎng)絡(luò)人工智能的算法分類結(jié)果已經(jīng)優(yōu)于人類。

神經(jīng)網(wǎng)絡(luò)的主要學(xué)習(xí)機(jī)制為誤差反向傳播算法，不斷修改網(wǎng)絡(luò)參數(shù)，使得分類效果越來(lái)越好。

3人工智能系統(tǒng)算法運(yùn)用實(shí)例——手寫數(shù)字識(shí)別

手寫數(shù)字識(shí)別是一個(gè)典型的人工智能算法應(yīng)用，通過(guò)討論手寫數(shù)字識(shí)別的實(shí)例，我們可以看到神經(jīng)網(wǎng)絡(luò)的強(qiáng)大，也可以更好地理解它是如何運(yùn)行的。

進(jìn)行手寫數(shù)字識(shí)別之前，需要準(zhǔn)備一個(gè)訓(xùn)練好的帶有標(biāo)簽的數(shù)據(jù)集。MNIST就是一個(gè)著名的手寫體數(shù)字識(shí)別數(shù)據(jù)集，其中包含訓(xùn)練集和測(cè)試集，訓(xùn)練集包含了 60000 個(gè)樣本和標(biāo)簽，測(cè)試集包含 10000 個(gè)樣本和標(biāo)簽。從機(jī)器學(xué)習(xí)和訓(xùn)練的角度而言，訓(xùn)練集類似于我們?cè)趯W(xué)習(xí)中使用到的各種學(xué)習(xí)資料，可幫助我們提升學(xué)習(xí)能力;測(cè)試集類似于考試試卷，用于檢測(cè)學(xué)習(xí)成績(jī);標(biāo)簽則可以認(rèn)為是習(xí)題和考試的標(biāo)準(zhǔn)答案。

通過(guò)訓(xùn)練集的訓(xùn)練，如果用測(cè)試集在進(jìn)行測(cè)試時(shí)，手寫數(shù)字圖片的輸入都能得到和標(biāo)簽一致的結(jié)果，則考試通過(guò)，那么就說(shuō)明人工智能的程序具備手寫數(shù)字識(shí)別能力。其中，樣本為代表 0～9 中的一個(gè)數(shù)字的灰度圖片，對(duì)應(yīng)一個(gè)所代表數(shù)字的標(biāo)簽，圖片大小為 28*28，且數(shù)字出現(xiàn)在圖片正中間。電腦（算法）“看到”樣本圖像時(shí)，其實(shí)是得到一些列的像素點(diǎn)的灰度值數(shù)據(jù)，白的地方是 1，黑的地方是 0，1 和 0 之間的小數(shù)代表灰度值。需要構(gòu)造神經(jīng)網(wǎng)絡(luò)算法：首先要有向量，即多個(gè)數(shù)字按順序排成一組，其中數(shù)字的個(gè)數(shù)稱為向量的維數(shù);每個(gè)樣本圖像的輸入都是一組 784（28*28=784）個(gè)數(shù)值，稱為一個(gè) 784 維向量;每個(gè)標(biāo)簽數(shù)據(jù)中，把數(shù)字 n 將表示成一個(gè)只有在第 n 維度數(shù)字為 1 的 10 維向量。輸入的 784維向量經(jīng)過(guò)兩層中間計(jì)算后，輸出為一個(gè) 10 維向量，每個(gè)維的值代表是該數(shù)字的概率。通過(guò)梯度下降法和反向傳播算法，經(jīng)過(guò)一小段時(shí)間的訓(xùn)練，AI 識(shí)別手寫數(shù)字的準(zhǔn)確率便達(dá)到了 93.13%。

4結(jié)語(yǔ)

當(dāng)前最先進(jìn)的人工智能研究以神經(jīng)生物學(xué)的大腦為原型，將大腦想象成一個(gè)擁有大量清晰資料的邏輯推理裝置，并以此來(lái)構(gòu)造基于神經(jīng)網(wǎng)絡(luò)的人工智能系統(tǒng)。從變革生活方式角度出發(fā)，深入研究神經(jīng)網(wǎng)絡(luò)的構(gòu)建與優(yōu)化，從而更好地解決人類社會(huì)中遇到的各種問(wèn)題。

參考文獻(xiàn)：

[1]何靜.具身性與默會(huì)表征：人工智能能走多遠(yuǎn)？[J]華東師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2018，（5）：38-43.

[2]陳斌.人工智能與信息社會(huì).學(xué)習(xí)強(qiáng)國(guó)慕課（理工農(nóng)醫(yī)），2018.

[3]邵語(yǔ)千.人工智能的現(xiàn)狀及發(fā)展趨勢(shì)[J].科技傳播，2018，（10）：106-107.

[4]杜 森 . 人 工 智 能 對(duì) 人 類 生 活 方 式 的 影 響 及 反 思 [J]. 遼 寧 工 業(yè) 大 學(xué) 學(xué)報(bào)，2016，18（3）：51-53.

[5]曹峰，石霖.我國(guó)人工智能計(jì)算和基礎(chǔ)應(yīng)用服務(wù)平臺(tái)發(fā)展現(xiàn)狀及趨勢(shì)研究[J].電信網(wǎng)技術(shù)，2018，4（4）：7-9.

湖北省教育廳科學(xué)研究計(jì)劃指導(dǎo)性項(xiàng)目：深度學(xué)習(xí)在乳腺 MRI 腫瘤分割中的應(yīng)用研究（B2020340）