2.2 人工神经网络

人工神经网络是对人脑神经网络的一种模拟，从2.1节可以看到，人脑神经网络的基本组成单位是神经元，当一个刺激发生时，神经元收到刺激，发生变化，并将这个变化记忆，而人工神经网络也模拟了这个过程（如图2-7所示）。不过也有变化，目前人工神经网络的神经元之间的连接是固定的，不可以更换。换言之，人工神经网络在现有的算法中，无法凭空产生新的连接。

例如，我们知道如何让手动，以及张嘴，希望要学会“吃糖”这件事情。人工神经网络学习时，就需要准备好非常多吃糖的数据，然后将这些数据一次次传递给人工神经网络，吃到糖的信号会通过人工智能神经网络传递给手，并给予神经元奖励，修改人工神经网络当中的神经元强度。这种修改在专业术语中叫作“误差反向传递”，也可以看作再一次将传过来的信号传回去，看看这个负责传递信号神经元对于”吃糖”的动作到底有没有贡献，让它好好反思与改正，争取下次做出更好的贡献。图2-8就是一个典型的人工智能网络中的神经元。

图2-7 人工神经网络

图2-8 典型的人工智能网络中的神经元

神经元模型的使用可以这样理解：我们有一个数据，称之为样本。样本有4个属性，其中3个属性已知，1个属性未知。我们需要做的就是通过3个已知属性预测未知属性。

就拿要吃糖这个例子来说，3个已知的动作是丢掉糖，拿起糖，看着糖，剩下需要预测的属性，就是吃到糖。

具体办法就是使用神经元的公式进行计算。3个已知属性的值是a1，a2，a3，未知属性的值是z。z可以通过公式计算出来。这里，已知的属性称之为特征，未知的属性称之为目标。假设特征与目标之间确实是线性关系，并且我们已经得到表示这个关系的权值w1，w2，w3。那么，我们就可以通过神经元模型预测新样本的目标。

例如，我们将大量吃糖的样本，输入到人工神经网络中，就会发现，大量的数据都表明，拿起糖这个动作，会更容易得到吃到糖这个结果，也就是a2会更容易得到z，那么w2的权重就会越来越高。

所以，人脑神经网络在学习新事物时，会产生新的神经元连接，并形成记忆，而人工神经网络目前都是预设的神经元连接，并不能进行修改，通过训练数据学习新事物，可以调整人工神经元中的各个权值，获得更好的输出。就好比飞机是模拟鸟的飞行行为，并从中得到启发并发明的，但是飞机的飞行机制和鸟的飞行机制还是有本质上区别的。