Video在线视频

大家好

这一节我们介绍连接主义

我们先看一个简单的

解决带伞问题的人工神经网络

每个神经元都有一个阈值

当神经元的每个输入信号相加

如果总量大于或等于阈值

神经元就被激发

产生输出信号

否则就处于闲置状态

这个图就展示了这么一个神经网络

用以处理这么一个简单的带伞问题

在图的左边

有三个兴奋性输入信号

你可以把这些输入信号

想象为大脑通过眼睛

耳朵等器官

触发并发送到

脑部神经元网络中的感觉输入

如果客观情况是真的

那么每个输入信号都为1

比如 如果现在多云

那么被标记为多云的输入

会发送一个强度为1的兴奋性信号

反之

它也就相当于一个强度为0的信号

这个网络只有两个神经元

每个神经元的阈值都不同

湿度和云量输入的神经元

他的阈值为2

也就是当两个输入都为1时才激活他

而另一个神经元的阈值为1

只要输入之一为1就能被激发

大家看这个图

你能看到最终输出

是如何根据输入变化而变化的

我们再看一个例子

针对一个低分辨率

人脸照片的数据库

库中每张照片的人脸角度不一样

有些人直视镜头

有些人的头仰着

有些人看向左边或右边

还有一些人戴着太阳镜

为简单起见

我们假定每张照片的分辨率

为30×30像素

我们的目标

是通过人工神经网络

来判定一张人脸是否戴太阳镜

看看这个简化了的神经网络

中间有三个神经元

N1，N2和N3

它们从输入图像接收输入信号

并向神经元N发送输出信号

如果图像含有太阳镜

最右边的那个神经元N就输出1

反之则输出0

由于从输入图像的每个像素

到神经元网络的每个神经元

都有连接

连接数相当庞大

对于分辨率为30×30的照片

包含着900个像素

也就是说

这个网络的左边总共有2700个连接

为了达到预期目的

我们还需要对该网络做一些调整

1取像素的亮度作为输入信号值

一个全白的像素值为1

一个全黑的像素值为0

不同灰度会对应地取0～1之间的值

2每个连接给他赋一权值

其实就是一个系数

权可以是正的也可以是负的

计算一个神经元的输入总和时

每个输入信号值乘以权值后再求累加和

3输出可以是0到1之间的任意值

当然也包括0和1

当输入总和远低于阈值时

输出接近于0

当输入总和远高于阈值时

输出接近于1

当输入总和阈值相近时

约输出0.5

对于这个例子

如果输出接近1

则强烈暗示带太阳镜

如果输出接近0

则强烈暗示不带太阳镜

我们不妨看看

单个神经元的输入与输出

在这个例子中

这个神经元接收来自三个像素的输入

一个明亮像素

信号强度0．9

一个中等明亮的像素

信号强度0．6

和一个颜色较深的像素

信号强度0．4

这三个像素跟神经元连接的权重

分别是10、0．5和-3

这些信号先和权重

相乘然后再相加

得到这个神经元的输入信号

总强度为8．1

因为8.1要远大于神经元的阈值2.5

因此输出非常接近于1

那么接下来的问题是

网络中每个连接的权值

以及神经元的阈值如何确定呢

这是一个非常关键的问题

因为只有确定了正确的权值和阈值

网络才有可能输出正确的结果

这个值的确定过程就叫机器学习

刚开始

这些值可以是随机值

然后给它一个训练样本

也就是一张照片

根据这个样本

网络会产生一个

0和1之间的输出值

因为这个样本是训练样本

我们事先就知道网络理应输出的值

如果跟预期的结果不一样

就设法调整网络的权值和阈值

使网络的输出更接近于我们想要的目标值

网络以这种方式一个接一个地

通过样本进行训练

一旦训练完所有样本

网络的参数

就会被调整到合理的值

从而完成机器学习过程

学习过程中如何调整网络的参数

相当重要

但这需要一些超出本课程范围的数学知识

比如多变量微积分等等

显然

这又是数学思维与工程思维的有机融合

不难理解

神经网络的学习阶段相当耗费精力

涉及对所有权重和阈值的反复调整

直到网络在训练样本上运作良好

不过所有这些都能被计算机自动完成

而结果就是一个能

简单高效地对样本进行分类的网络

针对这个例子

人们用包含约600张

照片的数据库进行测试

将其中的400张图片用于网络学习

用剩余的200张照片测试网络的效果

结果表明

这个网络的精确度竟然高达85％

下棋的本质是搜索

通过交替思考

自己和对方可能的走法

找到最有利于自己的落子

AlphaGo并非真正

理解了人类大脑如何下棋

而主要是依靠计算能力

演算所有的棋局局面

这个方法被称为博弈树

想象你在棋盘上下棋

每落下一子

它就代表了下一个决策的分叉点

就像一棵正在生长的树那样

会派生出许多可能的局面

并演算每一个点的未来变化情况

理论上

只要计算机的运算能力足够强

就可以按照规则

穷尽所有可能的局面

然后对每一种可能的局面做出评价

并做出最优的决策

那么，AlphaGo具体是怎么实现的呢

从宏观方法论的角度来说

主要有两个方面

一 多层次人工神经元网络

基于诺贝尔奖的研究工作

我们知道了人类初级视觉层的工作原理

那就是

一个物体投射到我们的瞳孔后

我们的视觉系统

开始把它分解为各个非常简单的影像单元

也就是像素

经过几层神经网络的不断投射

最后汇总于高级脑皮层

进行更为复杂的加工和处理

并且融入了其他脑功能

比如说注意力、情感、决策等等

AlphaGo在一定程度上

模拟了生物神经分层的架构

就像这个图一样

它是一种多层结构的

而且每一层能表达概念的抽象程度

是不一样的

表达知识复杂程度也是不一样的

二 深度学习与训练

古语云

授人以鱼不如授人以渔

新语或许可以改成

授计算机以程序

不如授计算机以深度学习能力

AlphaGo将以下两种方法进行了结合

一它从人类的程序员那里获得了围棋知识

二它也获得了学习程序员

不知道的东西的能力

刚开始

AlphaGo只是一个多层的神经网络系统

基本的一个框架

它除了围棋最基本的规则外

没有其它任何知识

换句话说

只要将一些其他规则告诉他

它也照样可以下其他类的棋

然后用了人类16万盘棋

总共3000万幅图

构成的五至九段棋手

以往比赛的棋谱去训练它

AlphaGo只用几周或者几个月的时间

就经历并学习了

人类棋手一辈子所能下的围棋

在训练过程中不断地自我调整

神经元网络的参数

从而使其行为

和高手一样甚至超过顶尖高手

事实上

它不仅能不断调整优化

每个神经元的参数

还能够进行结果的反馈

把结果重新作为输入

进行训练

也就是强化学习

自己与自己下棋来提高自己

许多人惊讶于这种类似于

左右手互博的学习机制

但事实上早在20年前就有了

通过学习人类历史上高手对弈的棋局

对人类的走法进行模拟

记住人类看到一盘棋

是如何走下一步的

当碰到没有见过的棋局时

则参考以往相似的棋局

以此让机器具有像人一样的学习能力

可见 AlphaGo和以前IBM深蓝计算机

战胜国际象棋特级大师不同

深蓝是通过将所有象棋高手的经验

整理出规则

然后教给深蓝

它不具备学习能力

换别的棋就没法玩了

AlphaGo涉及的所有算法

几乎都是现成的

它的贡献在于使用卓越的工程技术

实现了这些技术的结合

最终取得了与人匹敌的围棋能力

我们知道

计算机早在存储记忆

数值计算方面远远超过人类

今天，AlphaGo又在解决复杂问题的优化上

战胜了人类

给人工智能的研究无疑会带来

巨大的推动作用

但我们也必须看到

一 AlphaGo尚且需要一个人坐在棋盘前

优雅地拿起棋子

把棋子放在棋盘上

就光这一点

己是今天智能机器人很难企及的

二 AlphaGo目前还没有情绪

没有情感

不能现场分析对手的心理状态

他跟谁下都是一样

不能够现场和对手展开心理战

缺少交互认知的能力

三 AlphaGo赢了人类

但它产生不了牛顿和爱因斯坦

好，这一节就讲到这