社区编辑申请
注册/登录
资本布局的人工智能其实是人工智障?3分钟看懂啥叫机器学习
人工智能
好奇宝宝想知道人工智能的机器学习究竟是怎么学习的?本文用漫画让你看懂人工智能内部的工作原理。

本文长度为2300字,建议阅读3分钟

好奇宝宝想知道人工智能的机器学习究竟是怎么学习的?本文用漫画让你看懂人工智能内部的工作原理。

最近,富士康放出话来,它的工厂夜间已经不需要开灯了——因为一个工人都不需要,干活的全是人工智能机器。

几乎所有大佬都在谈论人工智能。 

 

 

 

似乎这个世界再也不需要人类了。 

 

 

 

你可能听了一百遍人工智能,不过到底人工智能是个什么鬼,所谓人工智能的机器学习究竟是怎么学习的?它和你之前玩过的小霸王游戏机究竟有什么区别?

今天,我们用漫画

来直接让你看懂

人工智能内部的工作原理

我们所举的例子是机器学习中的有监督学习。

人工智能机器学习分为有监督学习,无监督学习,强化学习和蒙特卡洛树等。这一句你看不懂完全可以忽略,因为不影响下面的解释。

我就是传说中的大boss,人工智能!怕了吧! 

 

 

 

其实,人工智能基本等于人工智障!人类一目了然的事情,它得算半天,而且未必能搞定。 

 

 

 

首先,我们来说说,人工智能和传统计算机原理之间的关系。

最传统的计算机,就是这玩意—— 

 

 

 

它的工作原理就是有一个确定的输入,就有一个确定的输出。

对于机器,原理也一样。比如这个 

 

 

 

但人类,被输入一个刺激后,其实是往往这样的 

 

 

 

在现实世界中,我们看到女朋友的脸,无论她化了什么样的妆,你一眼就能认出来。

但传统计算机的单一输入值,单一确定输出的模式,就傻眼了。 

 

 

 

但怎么让机器模仿出人的输入输出能力,有类似人类的智能。这就是人工智能问题的核心。

其实,要做的就是对复杂的输入信号进行分解计算,对计算中的不同因子进行不同的处理,无论输入的有怎样变化,都能做出大致合理的输出。

用专业的说法,就是在输入输出之间的隐藏层进行一系列权重调整,建立一个模型。

这样无论人脸加上什么伪装,只要落在一个范围内,机器都能认出这张脸。 

 

 

 

这时候,机器就变得像人一样能认人了,就成了人工智能。

看到这儿,其实你就比百分九十以上的人更了解人工智能了。但人工智能怎么具体调整权重,我们可以讲个机器人按脸杀人的故事。

***步先要让机器可以认出人脸。 

 

 

 

所以我们要拿很多包含人脸的图片喂给它: 

 

 

 

脸上不同的部位分别被抽象为一组数字,比如鼻子可以极度简化为为长度和宽度两个数据 

 

 

 

然后发送给程序去处理——人工神经网络现在特别流行,我们就用它好了。这些数字的流动,的确有点像人类脑神经的工作方式: 

 

 

 

这个图看起来不知所谓,其实特别简单,就是挨个把输入的数字乘以那些系数,***加起来。

对,这些系数就是所谓的“权重”。

输出层输出的就是一个普通的数字。我们给他设定一个阈值,比如20;把牙齿,鼻子和眼睛都算出来,等于28,大于20,就判定输入的是人脸。 

 

 

 

这差不多是一种很原始的人工神经网络,叫做感知机。

不过现在的神经网络会引入一种叫做激活函数的东西,把这种一刀切的智障变成一个稍稍聪明一点的样子: 

 

 

 

这个图像有什么意义呢?

就是把一个简单到***的“是不是”的问题,转化为有“百分之多少”的概率问题。看上去是不是智能了不少? 

 

 

 

同时,聪明的你一定发现了,决定成效的关键其实就是那些“权重”。

怎么获得恰当的权重组合?

这就是机器学习的意义:让机器自己根据每一次考试的结果去修正自己的权重。

慢着,它自己怎么知道对错? 

 

 

 

这还是要人类事先给这些照片进行分类:哪些是人,哪些是狗,哪些是ET……

这就好像人类在给他出有标准答案的考试,所以叫做“有监督学习”。 

 

 

 

然后我们只要不断重复这个过程,权重就会逐渐调整到更恰当的组合,输出结果就会越来好,判断越来越准。

如此不断重复同一过程,达到改进的方式,就叫做“迭代”。 

 

 

 

只要我们的神经网络设计的没问题,最终,就可以准确识别出人类。 

 

 

 

现在***进的算法,已经可以达到各种状况下98%以上的正确率了! 

 

 

 

这整个过程就叫做“训练”。

我们用来训练它的图片和每张图片对应的标签,就叫做“训练集”。

一般介绍人工智能文章到这里就不会再往深里说了,如果继续往下看,你对人工智能的了解就会远远99.99%的人类。

所以,你做好准备成为砖家了吗?

首先,大家***奇的应该是:程序到底怎么调整权重的? 

 

 

 

这个被称作“反向传播”的过程是这样的:在每一次训练中,我们都要确定程序给出的结论错的有多远。

我们已经说过,程序的猜测和答案都可以转化为数值 

 

 

把所有的错的平方都加起来,再平均一下,就得到一个“损失函数”。

损失函数当然越小越好,这代表我们的神经网络更厉害。

我们一开始可能在山顶,这意味着“损失”特别大,所以我们要尽快下山止损。 

 

 

 

怎么做呢?一种最常用的也很有效的办法就是,永远选择最陡的路线,这样很容易就会到达某个山谷。 

 

 

 

当损失函数达到某个最小值,不怎么变化了,就说明训练差不多了。这种方法就被叫做“梯度下降”。

具体而言,其实就是求导数: 

 

 

 

看到这个公式有没有一点想崩溃的感觉? 

 

 

 

如果还没有彻底崩溃,就稍微解释一下吧:

这个式子的意思就是,把某个权重减少这么多,损失函数对相应权重的偏导数乘以α。

至于怎么求这个偏导数的数值……你确定你真的想知道? 

 

 

而这个α呢,也很重要,叫做“学习速率”。

它的意思是:发现错误之后,改变的幅度太大或太小都不好。比如学开车,转弯 

 

 

 

至于改的幅度(系数)多大***,这就要靠悟了。 

 

 

 

好吧,说了这么难的东西,再来点八卦吧。

为啥要让人工智能杀那么多猩猩、海豚、蜥蜴? 

 

 

 

因为如果没有这些负样本,人工智能随手一抓都是对的。 

 

 

 

这样,就不存在学习和积累经验(调整权重)的过程,也不会有在现实世界中真正找到人脸的能力。

不要被那些所谓人工智能专家神神鬼鬼的术语所迷惑,其实人工神经网络的有监督学习的整个过程,无非就是在做自动化的回归分析罢了。 

 

 

 

从最简单的一元线性回归到多元非线性回归,就是越来越看起来越来越智能的过程。人工智能的专家也是这么循序渐进掌握机器学习的。

***,如果你能坚持到这里...

恭喜,你已经成为半个机器学习的专家了!

如果大家喜欢,我们下次再来讲讲其他人工智能的技术,比如无监督学习、强化学习!

参考资料:

  • 斯坦福大学公开课:《机器学习》
  • FaceNet: A Unified Embedding for Face Recognition and Clustering, Florian Schroff,Dmitry Kalenichenko,James Philbin,Google Inc.
  • Efficient BackProp, Yann LeCun,Leo Bottou
  • 《人工智能时代》,杰瑞·卡普兰
  • 《心灵、语言和社会》,约翰·塞尔
责任编辑:庞桂玉 来源: THU数据派
相关推荐

2022-03-14 10:20:15

人工智能学习高效

2022-07-28 11:26:41

人工智能机器人

2018-06-28 20:47:18

2022-07-20 11:32:09

人工智能人工智能算法

2019-03-06 09:00:00

机器学习人工智能

2021-07-19 10:33:21

2021-12-01 22:55:45

2021-03-30 13:45:00

人工智能

2022-07-26 11:27:40

人工智能AIOps

2020-09-07 11:28:09

人工智能机器学习AI

2021-12-02 10:18:12

2020-06-02 11:19:39

存储人工智能机器学习

2020-08-20 10:49:49

人工智能机器学习技术

2020-03-31 18:49:03

人工智能机器学习区块链

2019-03-29 17:30:32

2021-01-22 10:27:28

人工智能机器学习技术

2021-02-22 10:59:43

人工智能机器学习深度学习

2020-12-29 14:17:06

人工智能机器学习深度学习

2019-12-24 14:05:09

人工智能机器学习技术

2021-05-20 10:38:07

人工智能AI机器学习

同话题下的热门内容

如何创建一个无代码的自助客户聊天机器人使用机器学习评估异质治疗效果图论其实不难入门中科院打脸谷歌:普通电脑追上量子优越性,几小时搞定原本要一万年的计算负责任的机器学习--“玻璃盒”方法玩转文字、文采飞扬,你也可以是这样的昇腾AI程序员!PathAI利用机器学习推动药物开发七月超受欢迎的AI研究榜单出炉,马毅最新「标准模型」排名第九

编辑推荐

转转公司架构算法部孙玄:AI下的微服务架构Facebook开源相似性搜索类库Faiss,超越已知最快算法8.5倍运维:对不起,这锅,我们不背快消品图像识别丨无人店背后的商品识别技术最全面的百度NLP自然语言处理技术解析
我收藏的内容
点赞
收藏

AISummit人工智能大会