今天人工智能的蓬勃发展它围绕着一种名为深度学习的技术展开,这种技术由人工神经网络提供动力。下面是这些神经网络是如何构建和训练的图形解释。


体系结构

人工神经元及其连接示意图

每个神经元都是人造的神经网络将其输入相加,并应用激活函数来确定其输出。这种结构的灵感来自于大脑中发生的事情,神经元通过突触在彼此之间传递信号。

线连接点的结构。

大卫·施耐德

这是结构一个假设的前馈深度神经网络(“深度”是因为它包含多个隐藏层)。这个例子展示了一个网络,它解释手写数字的图像,并将它们分类为10个可能的数字之一。

输入层包含许多神经元,每个神经元的激活设置为图像中一个像素的灰度值。这些输入神经元连接到下一层的神经元,在它们乘以一个特定的值(称为权重)后传递它们的激活水平。第二层中的每个神经元将其许多输入相加,并应用激活函数来确定其输出,输出以同样的方式前馈。

培训

这种神经网络通过计算实际输出与期望输出之间的差值来训练。这里的数学优化问题具有与网络中可调参数一样多的维度——主要是神经元之间连接的权重,可以是正的(蓝线),也可以是负的(红线)。

训练网络本质上就是找到这个多维“损失”或“代价”函数的最小值。它是在多次训练运行中迭代完成的,增量地改变网络的状态。在实践中,这需要根据为一组随机输入示例计算的输出对网络的权重进行许多小的调整,每次都从控制输出层的权重开始,然后在网络中向后移动。(为了简单起见,这里只显示了每一层中与单个神经元的连接。)这种反向传播过程在许多随机的训练示例集上重复,直到损失函数最小化,然后网络就可以为任何新的输入提供最好的结果。

大卫·施耐德

两列点和一列数字。

步骤1

当在输入端给出一个手写的“3”时,未经训练的网络的输出神经元将随机激活。我们希望与3相关的输出神经元具有高激活[深色阴影],而其他输出神经元具有低激活[浅色阴影]。因此,例如,与3相关的神经元的激活必须增加(紫色箭头)。

一列由点组成的圆柱,所有点都用线连接在一起。

步骤2

要做到这一点,从第二层隐藏层的神经元到数字“3”的输出神经元的连接的权重应该更正(黑色箭头),变化的大小与连接的激活成正比
隐藏的神经元。

一列的门连在一个点上箭头向下。

步骤3

然后对第二层隐藏层中的神经元执行类似的过程。例如,为了使网络更准确,这一层的顶部神经元可能需要降低其激活[绿色箭头]。通过调整与第一个隐藏层(黑色箭头)连接的权重,可以将网络推向该方向。

两组垂直的点连接到一个点的直线上。

步骤4

然后对第一个隐藏层重复该过程。例如,该层中的第一个神经元可能需要增加其激活(橙色箭头)。

特别报告:人工智能大清算

读下一个:DeepMind如何重塑机器人

或者看看完整的报告浏览更多关于人工智能未来的文章。

对话(1)
史蒂文·迪克森 2021年11月21日
INDV

非常好的文章。启蒙。

人工智能会窃取潜艇的隐身能力吗?

更好的探测将使海洋变得透明——也许还会导致相互毁灭

11分钟读取
一张潜艇在水中的照片,在部分多云的天空下。

弗吉尼亚级快速攻击潜艇维吉尼亚州将于2010年穿越地中海。当时,只要潜水,它就能消失。

美国海军

潜艇的价值主要是因为他们隐藏的能力。核战争中,核潜艇能够在第一次导弹袭击中存活下来,从而能够在第二次打击中发射导弹作为回应,这是所谓“相互保证毁灭”威慑战略的关键。因此,任何可能使海洋变得有效透明的新技术,都可能破坏世界和平,使潜伏的潜艇变得微不足道。近一个世纪以来,海军工程师们一直在努力研发速度更快、噪音更小的潜艇。但他们也同样努力推进一系列雷达、声纳和其他旨在探测、瞄准和消灭敌方潜艇的技术。

随着20世纪60年代早期核动力潜艇的出现,这种平衡似乎发生了转变。在2015年战略与预算评估中心的一项研究中,布莱恩·克拉克哈德逊研究所的一位海军专家指出,这些船只长时间保持在水下的能力使它们“雷达和主动声纳几乎不可能发现“但即使是这些隐形的潜艇也会产生细微的、非常低频的噪音,从很远的地方就能被探测到声水听器阵列网络安装在海底的。

继续阅读↓ 显示更少
{“imageShortcodeIds”(“30133857”):}
Baidu