【神经网络】零基础入门神经网络：从原理、主要类型到行业应用

原作 Jay Shah

Root 编译自 Jay Shah寄几的博客

量子位 出品 | 公众号 QbitAI
最近，神经网络这个词特别火，吸引不少眼球。但是神经网络是个啥？有啥用？

这篇文章和大家唠唠，啥是神经网络，对于初学者来说主要有哪些挑战，以及介绍几种经典的神经网络类型，和相关行业应用。

神经网络的工作原理

基本上，神经网络是由一层一层的不同的计算单位连接起来的。我们把计算单位称为神经元，这些网络可以把数据处理分类，就是我们要的输出。

每个神经元把最初的输入值乘以一定的权重，并加上其他输入到这个神经元里的值（并结合其他信息值），最后算出一个总和，再经过神经元的偏差调整，最后用激励函数把输出值标准化。

迭代的学习过程

神经网络有个很关键的特征，它的学习过程是迭代的。也就是说，在学习期间，处理数据的过程会不断重复，而且为了准确预测输入值的分类，每次都会调整和输入数据有关的权重。

神经网络的优点，在于他们对很乱的数据的容忍度很高，同时也有很强的分类能力，连未训练的数据也能区分出来。

而最受欢迎的神经网络算法，是反向传播算法。

为了解决某个特定问题，神经网络要得到足够的训练。在训练最开始的时候，初始权重是随机定的。

如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。

神经网络通过隐藏层里的权重和函数，一次处理训练集里的一组数据，然后把输出值和实际结果作对比。然后把误差返回给整个网络系统，针对要解决的问题来调权重。再输入下一组数据，看偏差值有没有变小。

这个过程要不断地反复调整权重。所以在训练的过程中，同一组数据会被处理很多次，直到每一层的权重都被精细地调校过。

这个过程有多困难呢？

对于神经网络的初学者来说，其中的一个挑战是要理解每一层有什么用。我们知道，在训练过后，每一层都会抽取出来输入值的高阶或更高阶的特征，直到最后一层决定输入的特征所指的是什么。那这个过程是怎么完成的？

与其指定神经网络最后放大的特征，还不如让神经网络自己得出来。

由于神经网络的每一层的处理，是不同维度的抽象特征。所以强化哪一层，会对最后的值的特征的复杂性有不同的影响。而在我们选了其中一个层后，就可以看到神经网络最后增强了什么的特征。

流行的神经网络类型及其应用

接下来，我们会了解一下自动编码器，卷积神经网络和循环神经网络。

自动编码器

根据之前的经验，随机初始化的结果并不好。所以为了获得更好的初始权重，我们可以考虑用无监督学习算法来预训练每个层。

类似的例子，可以参考被无监督算法训练的Deep Belief Networks。 最近，有一些新的研究尝试在这个领域寻找突破，比如，使用概率自动编码器的变分方法。

不过实际上，它们很少被用到。 最近，对于更深的神经网络来说，已经可以进行批量地标准化。通过残差学习，我们能从头开始训练任意深度神经网络了。在适当的维度和稀疏性的约束下，自动编码器可以学习到，比PCA或其他基本技术更有趣的数据投影。

我们来看看两个有趣的自动编码器的实际应用：

医学图像的降噪

通过卷积层，自动编码器实现高效降噪。



[b]△ 降噪自动编码器，就是设定为忽略某些输入的[/b]
在随机干扰过程中，通过随机地将一些输入数据设为零，让降噪自动编码器自己判断哪些是丢失（损坏）的值，从而预测出哪些是丢失模式的子集。

数据可视化

用主成分分析（PCA），和t分布随机相邻嵌入（t-SNE）等方法，可以实现降维。 在训练神经网络的时候，结合以上方法，能提高模型的预测精度。而且，多层神经网络的预测精度很大程度上依赖于神经网络结构，预处理的数据，以及该神经网络要解决的问题类型。

卷积神经网络

卷积神经网络，这个名字是来源于“卷积”运算符。 它的主要目的，在于从输入的图像中提取特征。而特征的提取，是通过使用输入数据里3×3的区域学习到的。这样，卷积网络就能够保留像素之间的空间关系。

卷积神经网络在以下领域取得了成功：

人脸识别

级联卷积神经网络，可以快速高效地识别人脸。 检测器先用低分辨率评估输入图像，把非面部区域快速排除掉，再以更高的分辨率，仔细处理并精确检测更复杂的区域。



为了加速检测并提高边框质量，还在级联中引入了校准网络。



自动驾驶

卷积神经网络传统上用于图像分析和目标识别。

在自动驾驶的项目中，空间纵深的估算能力特别重要。没有它，就无法确保乘客和其他车辆的安全。NVIDIA的自动驾驶汽车等项目，就已经开始使用CNN了。

CNN非常灵活，可以通过多层的参数来处理输入，其中还包括深度信念网络（DBN）。



另外，还有个好玩的用法， 可以在游戏模拟器中，用CNN来开车并预测转弯的角度 。

循环神经网络

循环神经网络可以生成序列。每次处理单组的真实数据序列之后，就预测接下来会发生什么。那这种模型是怎么一步一步搭起来的呢？

假设，预测的结果是存在概率分布的话，那么可以反复取各种输入值，产生新的序列。输入值的来源可以是已经训练过的网络的输出值，取得越分散越好。换句话说，让神经网络把自己生成的结果，当作真实世界里产生的数据值，用作输入，就像一个人在做梦一样。梦里那些虚幻不存在的场景，也能成为我们记忆中感知的一部分。



预测

神经网络经过训练后，给定一个输入值，就能得到在预期内的输出值。

如果我们有个神经网络，能够完美地拟合一系列已知的值，那么这个网络也能预测未来的值。

现在，预测股价的模型用得最6。

不同领域里神经网络的应用

在真实的商业环境里，神经网络已经应用很广泛了，比如销售量预测，用户调查，数据有效性，和风险调控。

市场

目标市场与市场细分有关，根据用户不同的消费行为，我们能把市场划分得很细。

按地域分布，经济能力、购买习惯、对产品的态度等维度分类，是神经网络最拿手的事。无监督学习可以自动把有相似属性的用户分类到一起。

零售行业

神经网络用来预测超市的销售量特别有优势，因为它能多维度考虑问题。比如一个产品可能有多大的市场需求量，一个消费者的收入，人口分布，产品价格等方面。

一旦两个商品，在某段时间内他们的销售量存在间接的联系，像一个用户买完打印机之后，很大可能会在3到4个月的时候需要补充新墨盒，那么零售商可以从顾客的购买数据来有效地推产品，避免顾客流失到竞争对手那。

金融行业

神经网络已经成功解决了多个金融类的问题，比如衍生类的保值型理财产品，未来价值的预测，外汇汇率的预测，以及股票市场的表现。以前，是数据技术驱动着软件的发展；现在，神经网络驱动着大家做出更优的理财选择。

医药行业

高效的人体生理系统建模、快速检测疾病这些方面的工作，需要大量神经网络来支持。大家都很看好未来神经网络在医疗领域大规模的应用。

结论

也许，用神经网络解决实际问题的同时，未来神经网络还能当艺术家创作的工具，混合出新的视觉效果。说不定我们还可以从中发现创意的规律。

总的来说，神经网络让计算机更像人，get到越来越多的技能，可以帮我们做更多的事儿。

原文链接：
http://t.cn/RYqmhBG




人工智能赛博物理操作系统

AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS
OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS
OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS
OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？

重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？

重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS
OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。

智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。

高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。

不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。

边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS
OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；

对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；

人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；

迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；

制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；

重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；

开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。”  《论语·子路》云计算、大数据、物联网、区块链和
人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS
OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官  AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS
OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。





长按上方二维码关注微信公众号： AI-CPS，更多信息回复：

新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”[b]、“智能驾驶”[/b]；新模式：“财富空间”、“特色小镇”、“赛博物理”、“供应链金融”。



点击“阅读原文”，访问AI-CPS
OS官网

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！

版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com