圖像處理與機器視覺
儘管現在人工智能在許多方面都取得了迅速的進步，人工智能的發展離不開神經網絡原理的誕生，但它仍然是少數人能理解的東西，掌握它的人也更少。在人們生活中經常使用的語音助手，人臉識別，圖片提取文字等都離不開神經網絡的應用。但網絡上的資料都是一堆枯燥無味的數學公式，本文在不使用複雜的數學公式的前提下對神經網絡進行通俗的講解。
計算機裡圖像只是一堆數字
首先在計算機裡圖像只是一堆數字而已，每一個像素點有一個特定的數字。如選一個28*28的圖片怎麼讓計算機對手寫圖像進行識別呢？我們使用多層神經網絡對圖像進行特徵提取來進行對數字的識別。
多層神經網絡
本圖神經網絡有4層，其中有784個輸入層，2個隱含層，一個輸出層。
輸入層有784個，這784個輸入值就是28*28個像素點所代表的數值排成一列而成。
28X28=784排成一列進行輸入
輸出層就是代表計算機最終計算預測結果，判斷圖像代表的是什麼數值。
判斷出圖片為數字9
隱含層是神經網絡的關鍵，對圖像識別的正確性至關重要。其中隱含層的層數和個數由自己進行分配選取，從而來達到最好的識別效果。其中隱含層主要是對圖片的特徵進行提取。
隱含層
隱含層到底時怎麼進行工作的呢？下面進行詳細的介紹。我沒知道，數字9可以由一個0和一個1組合而成，數字8可以由兩個0組合而成。隱含層的第二層就是想這樣對圖像進行特徵提取並來對數字進行區分的。
數字可以細分不同的圖像進行組合而成
隱含層第二層對圖像的處理
但是一層隱含層識別率還是有點低，為了提高識別的準確性，我們可以對第二層的圖像進行細分，所以添加了第一層的隱含層。如下圖，數字0還可以進行進一步的細分。
進一步細分
所以隱含層是對圖像進行精準的提取，組合，判斷，以達到對數字正確的識別。
但是每個層之間的連線是幹什麼的呢？
What？
從上面我們知道第一層的輸入層代表著圖像每個像素的數值p，這些圖像可能很雜亂，如下圖。
有點誇張 (*^__^*)
但從這些參數怎麼提取我們想要的特徵呢？我們就需要一個權重(weights)w對圖像進行處理來得到我們想要的特徵。
其中一個想要得到的特徵
然後與我們的圖像進行疊加就得到我們其中一個特徵。
疊加
有些圖像會有噪點，或者我們想提高識別的門檻（閾值）。我就需要一個偏置（biases），來減少干擾。由於每一層都會有一個偏置和一組權重(weights),我們會要計算很多的數值，所以這一過程的計算量是很大的。(/ □ )
13002個值(/ □ )
到這裡一個基本的神經網絡就以及介紹完畢了，就是這麼簡單(*^__^*) 。
e的左上角
神經網絡是一種類人腦神經機制的模型，對它不是很瞭解的話，就不要管它和人的大腦神經有什麼關係了。
你可以把它當作一種黑盒子，裡面保存著很多很多的參數，你給網絡喂數據，他根據參數計算給你輸出結果，你可以把它當做一種函數擬合工具來用，只不過是這個函數相對一般函數而言是可以複雜一點的。
以最簡單的三層神經網絡解決二分類問題為例：包括輸入層、隱藏層和輸出層，如下圖。
就是輸入神經網絡的數據，一個數據被稱為輸入層的一個神經元。
隱藏層可以看做由輸入數據提取的特徵，特徵是什麼？就當做一種可以對應表示數據的一堆參數吧。
輸出層二分類問題的輸出層定義為兩個神經元，存儲著數據被預測到該分類的概率，哪個大就被分在那一類。
這些帶箭頭的線表示什麼呢？這些箭頭上都有一定的權值w,箭頭出發的神經元會乘上這個對應的權重，箭頭指向的神經元的值便由所有指向它的箭頭的輸入層神經元乘上相應權重的值的和決定。
這樣神經網絡其實就是一種特殊的計算規則，只要初始化了參數，對於每一個箭頭都有了對應的權重，根據初始值，是不是就能計算出，最後輸出層兩個神經元的值了，比較大小是不是就能得到分類。
神經網絡複雜在哪裡呢？像上面提到的權值w，神經網絡如何優化這些參數，使其達到我們想實現的功能，是神經網絡最複雜的地方，有興趣可以繼續瞭解。
AI深度學習求索
剛好手頭有一本《神經網絡與深度學習》，在對神經網絡的定義上作者是這麼說的“神經網絡，是機器學習的一個分支，學名應該叫人工神經網絡，與之相對應的是生物神經網絡(Biological Neural Networks，BNN)，我們將模擬生物神經網絡的數學模型統稱為人工神經網絡模型，簡稱人工神經網絡或神經網絡”。
從這個定義看，神經網絡就是模擬生物神經網絡的數學模型。作者說“生物神經網絡一般指生物的大腦神經元、細胞、觸點等組成的網絡，用於產生生物的意識，幫助生物進行思考和行動”。
這本書的第二章《構造神經網絡》，作者介紹了怎樣構造神經網絡。作者從怎樣先構造神經網絡的基本單位——神經元說起，再到怎樣構造一個神經網絡。從對設計神經元的介紹看，就是對生物神經元的模擬，有“神經元的輸入部分(樹突)、處理部分(細胞體)和輸出部分(軸突)”。
作者在回顧神經網絡歷史的章節中還說到了對控制論影響深遠的一篇文章，按他講話就是“控制論的思想源泉之一”——《神經活動中思想內在性的邏輯演算》。
從這些都可以看到人工神經網絡就是人類對生物神經網絡的學習和模擬。在書中作者提到了“人工智能的終極目標”——類腦。作者說“如果我們知道了如何模擬一個大腦，那麼我們能否模擬一個更強的腦，這個大腦是不是可以鏈接到人類世界所有的知識庫去學習，並誕生幾乎無的創造力？這就是類腦的作用”。他還引用了類腦計算研究中心學術委員會主任張鈸院士說的“類腦計算比曼哈頓計劃更有挑戰性”。
從作者對類腦的介紹看，還有他說的對“第三類智能”的研究看，類腦人工智能會有一定的發展。
可是否能取代人類大腦，我覺得不可能。從現在來說，人類對大腦的探索也還只是前期階段，不管現在說什麼大腦裡也存在量子糾纏，還是對大腦神經元的數量到底是八百億還是一千億，腦科學對大腦的研究還有特別大量的工作要做。可到底能對大腦有多少了解，能製造和人腦一樣的大腦，都是未知數。
不能因為人工智能有了什麼突破性的進展就說人工智能可以取代大腦，從目前看，還差得遠呢。就算是波士頓動力的最新傑作也只是有所突破而已，雖然這個突破很大。
還有我一直以為人類社會所有的一切都是大腦指揮雙手創造的，連人工智能都是，那說讓人工智能取代大腦，這裡是不是有什麼邏輯上的問題？
而對現在來說，還是多從基礎學科入手，向大腦好好學習。
大腦太奇妙了。
掛在明堂射古今
神經網絡只是一種模仿人類大腦神經運作方式製作的複雜的人工智能算法，只是現階段可能實現人工智能算法的一種實現形式而已。因為具備不同的層，每一層又擁有不通過數量的神經元，因此可以表達出複雜的非線性關係，從而在輸入與輸出之間構建數學關係。
不過目前來看，取代人類大腦還無法實現，畢竟AI的智力水平跟人類大腦還存在差別，神經網絡的實際運行方式和人類大腦也不盡相同。如果神經網絡無法實現實質性的突破的話，應該短時間之內還無法追上人腦。
