一個故事看懂AI神經網路工作原理
- 2020 年 10 月 14 日
- 筆記
我是一個AI神經元
我是一個AI神經元，剛剛來到這個世界上，一切對我來說都特別新奇。
之所以叫這個名字，是因為我的工作有點像人類身體中的神經元。
人體中的神經元可以傳遞生物訊號，給它輸入一個訊號，它經過處理後再輸出一個訊號傳遞給別的神經元，最終傳遞到大腦完成對一個訊號的決策和處理。
聰明的電腦科學家們受到啟發，在程式碼程式里發明了我：神經元函數。
在我們的世界裡，我只是普普通通的一員，像我這樣的神經元有成百上千，甚至上萬個，我們按照層的形式，組成了一個龐大的神經網路。
很快我和隔壁工位的大白開始混熟了，他比我來得早，對這裡要熟悉的多。
聽大白告訴我說，我們這個神經網路是一個影像識別的AI程式，只要給我們輸入一張狗的照片，我們就能告訴你這是一隻柯基，還是泰迪、柴犬、二哈···
神經元結構
在大白的指引下，我很快就學會了怎麼工作。
雖然我們叫神經元，名字聽起來挺神秘的，但實際上我就是一個普通函數，有參數，有返回值，普通函數有的我都有：
def neuron(a):
w = [...]
b = ...
...
我有一個參數a，這個參數是一個數組，裡面的每一個元素我把它分別叫做a1，a2，a3···用這個a來模擬我這個神經元收到的一組訊號。
人類的神經元是怎麼處理輸入的生物訊號我不知道，我估計挺複雜的。但在我這裡就很簡單:我給每一個輸入值設定一定的權重，然後做一個簡單的加權求和，最後再加上一個偏移值就行啦！
所以我還有一個數組叫做w，就是權重weight的意思，裡面的每一個元素我叫做w1，w2，w3···，至於那個偏移值，就叫它bias。
如此一來我的工作你們也該猜到了，就是把傳進來的a裡面的每個元素和w里的每一個元素做乘法，再加起來，最後加上偏移值，就像這樣：
說到這裡，我突然想到一個問題，打算去問問大白。
「大白，這些要計算的數據都是從哪裡來的呢？」
「是上一層的神經元們送過來的」
「那他們的數據又是哪來的呢？」，我刨根問題的問到。
大白帶我來到了門口，指向另外一個片區說到，「看到了嗎？那裡是數據預處理部門，他們負責把輸入的圖片中的像素顏色資訊提取出來，交給我們神經網路部門來進行分析。」
「交給我們？然後呢」
「咱們這個神經網路就像一台精密的機器，我們倆只是其中兩個零件，不同的權重值某種意義上代表了對圖片上不同位置的像素關心程度。一旦開動起來，餵給我們圖片數據，我們每一個神經元就開始忙活起來，一層層接力，把最終的結果輸出到分類器，最終識別出狗的品種。」
神經網路訓練
正聊著，突然，傳來一陣廣播提示音，大家都停止了閑聊，回到了各自工位。
「這是要幹啥，這麼大陣仗？」，我問大白。
「快坐下，馬上要開始訓練了」，大白說到。
「訓練？訓練什麼？」
「咱們用到的那些權重值和偏移值你以為怎麼來的？就是通過不斷的訓練得出來的。」
還沒說到幾句話，數據就開始送過來了。按照之前大白教給我的，我將輸入數據分別乘以各自的權重，然後相加，最後再加上偏移bias，就得到了最後的結果，整個過程很輕鬆。
我準備把計算結果交給下一層的神經元。
大白見狀趕緊制止了我，「等一下！你不能直接交出去」
「還要幹嘛？」
大白指了一下我背後的另一個傢伙說到：「那是激活函數，得先交給他處理一下」
「激活函數是幹嘛的？」，我問大白。
「激活，就是根據輸入訊號量的大小去激活產生對應大小的輸出訊號。這是在模仿人類的神經元對神經訊號的反應程度大小，好比拿一根針去刺皮膚，隨著力道的加大，身體的疼痛感會慢慢增強，差不多是一個道理。」
聽完大白的解釋，我點了點頭，好像明白了，又好像不太明白。
後來我才知道，這激活函數還有好幾種，經常會打交道的有這麼幾個：
- sigmoid
- tanh
- relu
- leaky relu
激活函數處理完後，總算可以交給下一層的神經元了，我準備稍事休息一下。
剛坐下，就聽到大廳的廣播：
隨後，又來了一組新的數據，看來我是沒時間休息了，趕緊再次忙活了起來。
這一忙不要緊，一直搞了好幾個小時，來來回回重複工作了幾萬次，我都快累癱了。
損失函數 & 優化方法
趁著休息的空當，我又和大白聊了起來。
「大白，剛剛咱們這麼來來回回折騰了幾萬次，這是在幹啥啊？」
大白也累的上氣不接下氣，緩了緩才說到：「這叫做網路訓練，通過讓我們分析大量不同品種狗的圖片，讓我們訓練出合適的權重和偏移值，這樣，我們就變得會認識狗品種了，以後正式工作的時候給我們新的狗的圖片，咱們也能用學到的知識去分辨啦”
「那到底是怎麼訓練的，你給我說說唄」，我繼續問到。
「你剛才也看到了，廣播里不斷通知更新權重和偏移值。這訓練就是通過不斷的嘗試修改每一層神經元的權重值和偏移值，來不斷優化，找到最合適的數值，讓我們對狗的種類識別準確率最好！」，大白說到。
「不斷嘗試修改？這麼多神經元，難不成看運氣瞎碰？」
大白給了我一個白眼，「怎麼可能瞎試，那得試到猴年馬月去了。咱們這叫深度學習神經網路，是能夠自學習的！」
他這麼一說我更疑惑了，「怎麼個學習法呢？」
「其實很簡單，咱們先選一組權重偏移值，做一輪圖片識別，然後看識別結果和實際結果之間的差距有多少，把差距回饋給咱們後，再不斷調整權重和偏移，讓這個差距不斷縮小，直到差距接近於0，這樣咱們的識別準確率就越接近100%」
「額，聽上去好像很簡單，不過我還有好多問題啊。怎麼去衡量這個差距呢？具體怎麼調整權重偏移呢？調整幅度該多大好呢？」，我小小的腦袋一下冒出了許多的問號。
大白臉上露出了不可思議的表情，「小夥子，不錯嘛！你一下問出了神經網路的三個核心概念。」
「是哪三個？快給我說說」
大白喝了口水，頓了頓接著說到，「首先，怎麼去衡量這個差距？這個活，咱們部門有個人專門干這活，他就是損失函數，他就是專門來量化咱們的輸出結果和實際結果之間的差距。量化的辦法有很多種，你空了可以去找他聊聊」
「那第二個呢？」
「第二個，具體怎麼調整，這也涉及到咱們神經網路中一個核心概念，他就是優化方法，咱們部門用的最多的是一個叫梯度下降的方法。那玩意兒有點複雜，一時半會兒給你說不清楚，大概差不多就是用求導數的方式尋找如何讓損失函數的損失值變小」，大白繼續耐心的解釋著。
「好吧，那第三個核心概念是什麼？」
「你剛不是問調整幅度嗎？這個調整幅度太小了不行，這樣咱們訓練的太慢了，那得多訓練很多回。太大了也不行，要是一不小心錯過了那個最優值，損失函數的結果就會來回搖擺，不能收斂，所以有一個叫學習速率的數值，通常需要程式設計師們憑藉經驗去設定」
我還沉浸在大白的講解中，廣播聲再次響起：
看來程式設計師修改了學習速率，我只好打起精神，繼續去忙了，真不知道何時才能訓練達標啊～
往期TOP5文章
