基本信息
阅读时间:约 7 分钟
字数:约 2849 字
摘要:深度学习和神经网络的基本概念 在 AI 中,深度学习 和 神经网络 这两个术语几乎可以互换使用。尽管它们非常适合 机器学习,但也有一些炒作和神秘感。该视频将揭开深度学习的神秘面纱,让你了解深度学习和神经网络的真正含义。 需求预测中的神经网络示例 让我们用需求预测中的一个例子。

全文语音
深度学习和神经网络的基本概念
在 AI 中,深度学习 和 神经网络 这两个术语几乎可以互换使用。尽管它们非常适合 机器学习,但也有一些炒作和神秘感。该视频将揭开深度学习的神秘面纱,让你了解深度学习和神经网络的真正含义。

需求预测中的神经网络示例
让我们用需求预测中的一个例子。假设你经营着一个销售 T 恤的网站,你想知道这些 T 恤的定价方式、你预计要售出多少件商品、预计销售多少 T 恤。然后,你可以创建这样的数据集,其中 T 恤的价格越高,需求越低。因此,您可能会在这些数据上画一条直线,表明随着价格的上涨,需求会下降。
现在,需求永远不能低于零。因此,也许你说需求将趋于平缓至零,超过某个点,你预计几乎没有人会购买任何 T 恤。

最简单的神经网络
事实证明,这条蓝线可能是最简单的 神经网络。你把价格 A 作为输入,你想让它输出预计的需求 B,所以你将其绘制成神经网络的方法是,价格将输入到这个小圆形的东西中,而这个小圆的东西输出估计的需求。
用 AI 的术语来说,这里的这个圆形小东西叫做 神经元,有时它被称为 人工神经元,它所做的只是计算我在左边画的这条蓝色曲线。
这可能是最简单的神经网络,它只有一个人工神经元,它只输入价格并输出估计的需求。如果你把这个橙色圆圈,这个人造神经元,就像一个小小的乐高中断,神经网络的本质,就是如果你取出很多乐高积木,将它们堆叠在一起,直到你得到一个大的 pow 或者一个由这些神经元组成的大网络。

更复杂的神经网络示例
让我们来看一个更复杂的例子。假设您不仅知道这些 T 恤的价格,还包括买家为购买 T 恤而必须支付的运费。也许你在某一周内花在营销上的钱或多或少,你也可以用厚实、沉重、昂贵的棉质或更便宜、更轻的材料来制作 T 恤。您认为这些因素会影响对 T 恤的需求。让我们看看更复杂的神经网络会是什么样子。
• 可负担性:你知道你的客户非常关心可负担性。假设你有一个神经元,让我用蓝色画这个神经元,它的工作是估计 T 恤的可负担性。因此,可负担性主要取决于衬衫的价格和运费。
• 知名度:影响您对 T 恤需求的第二件事是知名度。有多少消费者知道你在销售这件 T 恤?因此,影响知名度的主要因素将是您的营销。因此,让我在这里画第二个人造神经元,它会输入你的营销预算,你在营销和产出上的支出,消费者对你的 T 恤的了解程度。
• 感知质量:最后,产品的感知质量也会影响需求,而感知质量将受到营销的影响。如果营销部门试图说服人们这是一件高质量的 T 恤,有时某件东西的价格也会影响人们对质量的认知。因此,我将在这里画第三个人造神经元,它输入价格营销和材料,并试图估计你的 T 恤的感知质量。
• 需求预测:最后,既然早期的神经元,即这三个蓝色神经元,已经弄清楚了价格有多便宜,消费者意识有多高,感知质量如何,那么你可以在这里再增加一个神经元,让我们输入这三个因素并输出预计的需求。
所以这是一个神经网络,它的工作是从这四个输入中学会映射。这是输入 A 到输出 B 的需求。因此,它学习输入到输出,或者 A 到 B 的映射。这是一个相当小的神经网络,只有四个人工神经元。实际上,当今使用的神经网络要大得多,很容易有成千上万、成千上万的神经元,甚至比这个数量大得多。

神经网络的自动学习能力
现在,我只想澄清这个描述的最后一个细节,那就是我描述神经网络的方式,好像你必须弄清楚关键因素是可负担性、知名度和感知质量。使用神经网络的奇妙之处之一是,要训练神经网络,换句话说,使用神经网络构建机器学习系统,你所要做的就是给它输入 A 和输出 B,然后它自己计算出中间的所有东西。
因此,要建立神经网络,你要做的是用输入 A 向它提供大量数据,然后创建一个看起来像这样的神经网络,几个蓝色的神经元向一个黄色的输出神经元供电。然后你还必须向它提供需求 B 的数据。该软件的工作是弄清楚这些蓝色神经元应该计算什么,这样它才能完全自动学习最准确的函数,从输入 A 映射到输出 B。
事实证明,如果你提供足够的数据并训练一个足够大的神经网络,它可以在将输入 A 映射到输出 B 方面做得非常好。所以这就是神经网络。它是一组人造神经元,每个神经元都计算一个相对简单的函数。但是,当你将它们堆叠在一起时,比如乐高休息区,它们可以计算出极其复杂的函数,从而为你提供从输入 A 到输出 B 的非常准确的映射。

神经网络在人脸识别中的应用
上个视频中你看到怎样用一个神经网络来预测需求,但是神经网络是如何识别图片的呢?并分析出图片里是什么呢?或者它如何能在听到一段语音后,明白语音的内容呢?就让我们来看一个更复杂的例子——用神经网络来识别人脸。

图像识别的基本原理
比如你要建立一个能从图片里认出人脸的系统。那一个软件是如何能看到这个图片之后,去明辨这个人的身份呢?让我们把图像的小方格放大来更好地理解电脑是怎样读图的。
这个方格对你我来说是人眼,而电脑看到的则是一个由 像素亮度值 组成的表格。这个表格告诉电脑图片里的每一个像素有多亮。如果这是一个黑白或者灰度图像的话,那每一个像素会以一个单独的数来呈现,来告诉你那个像素有多亮。如果是一个彩图的话,那每个像素回以三个数来呈现,用来表示红、绿、蓝这三个元素分别在那个像素里有多亮。
所以神经网络的工作是把这些数字作为输入,然后告诉你图里面人的名字。

神经网络在图像识别中的复杂性
上个视频中你看到了神经网络是如何把四个数字——分别代表价格、运费、营销力度、T 恤原料——作为输入,然后输出客户对 T 恤的需求量。
在这个图像例子中,神经网络需要输入多得多的数字来分别对应这张图片里的像素亮度值。如果这个图片的分辨率是长宽各一千像素(1000 * 1000),那么总共就是一百万像素。
所以,如果有一个黑白或者灰度图像,这个神经网络需要把一百万个数字作为输入,以此来对应这张图片中所有一百万个像素的亮度。如果是一个彩色图像的话,神经网络需要把三百万个数字作为输入,因为红蓝绿三原色每一个都有一百万个像素的亮度。
跟之前类似,你将会有很多很多这些人工神经元来计算很多不同的数值,但不需要你来决定这些神经元需要计算什么,神经网络自己会计算出来的。

神经网络的学习过程
一般来讲,当你给它一个图片时,神经网络前期的神经元会学会探测出图片的边缘,然后后期一点的会一点点辨认出物体的各个部分,它们会学着辨认出鼻子、眼睛、脸颊和嘴巴的形状,然后再晚期一点的神经元,像右边这样的,会学习辨认出不同的脸型,并且最终将学会将这些元素融合在一起来分辨出图片中的人是谁。
再次强调,神经网络的魔法就在于你并不需要知道神经网络里面到底在干嘛,你只需要给它很多像 A 这样的图片数据和像 B 这样的正确人脸的身份标签,然后这个学习算法自己就会弄清楚这中间的每一个神经元需要计算什么!
恭喜你现在你知道 机器学习 和 数据科学 是如何运作的了。

FAQ
1. 关于「图像识别的基本原理」,核心要点是什么?
比如你要建立一个能从图片里认出人脸的系统。那一个软件是如何能看到这个图片之后,去明辨这个人的身份呢?让我们把图像的小方格放大来更好地理解电脑是怎样读图的。
2. 关于「神经网络在图像识别中的复杂性」,核心要点是什么?
上个视频中你看到了神经网络是如何把四个数字——分别代表价格、运费、营销力度、T 恤原料——作为输入,然后输出客户对 T 恤的需求量。
3. 关于「神经网络的学习过程」,核心要点是什么?
一般来讲,当你给它一个图片时,神经网络前期的神经元会学会探测出图片的边缘,然后后期一点的会一点点辨认出物体的各个部分,它们会学着辨认出鼻子、眼睛、脸颊和嘴巴的形状,然后再晚期一点的

评论(0)