基于神經網絡的人工智能系統解析

陳小娟

摘 要：近年來，人工智能發展迅猛，在圖像識別、語音識別、醫療輔助、無人駕駛及無人機、金融決策、物流管理等各個領域取得了突破性進展。為了讓人工智能更好地服務于人類，我們需要進一步認識理解人工智能，文章將著重對基于神經網絡的人工智能系統的應用及算法進行探討。

關鍵詞：人工智能;神經網絡;算法

1概述

人工神經網絡（Artificial Neural Networks，簡寫為 ANNs）也簡稱為神經網絡（NNs），它的生物原型是人腦和構成人腦的神經元。

生理學家告訴我們：人腦包含 800 億個神經元，這些神經元中的每一個都類似一個小的處理單元，它們按照某種方式連接，接受外部刺激，做出響應處理的過程，也就是大腦對信息處理的過程。

人工神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

2神經元與神經網絡

人工神經元與人工神經網絡模仿人腦的神經結構，旨在讓計算機擁有更強大的學習能力。要實現人工神經網絡具有類似于人腦的功能，就需要對人腦進行深入的了解。首先，我們詳細了解生物學中的神經元與神經網絡。

2.1神經元

神經元的輸入通道是樹突，樹突會將來自其他神經元的電信號傳送至細胞本體，進行處理。處理完的信息需要進行相應輸出，神經元響應產生的電信號再通過軸突和突觸傳遞到下一個神經元。

2.2人工神經元

計算機科學家從生物模型出發，衍生抽象出數學模型，即人工神經元。人工神經元功能類似于生物學的神經元：相對于樹突的作用，會有幾個不同的輸入信號;當中有一個處理單元，即相當于神經元細胞本體，它對每一個輸入信號進行加權處理確定其強度，對所有輸入信號求和，確定組合效果，通過激勵函數確定其輸出;該輸出信號再連接到下一個人工神經元的輸入。這樣人工神經元可按照神經網絡連接方式，連接成人工神經網絡。

2.3人工神經網絡

人工神經網絡模仿神經元在人腦中的結構連接，一個人工神經網絡可以由幾個甚至幾百萬個人工神經元構成，這些神經元排列在一系列的層中，每個層之間彼此相連。一個完整的神經網絡由一層輸入層、多層隱藏層、一層輸出層構成。

按照類型分，人工神經網絡可以分為前饋型神經網絡和反饋型神經網絡。前饋型神經網絡，是單向多層結構，即各神經元從輸入層開始，只接收上一

層的輸出，并輸出到下一層，直至輸出層，整個網絡中無反饋。這一類神經網絡經常用于圖像識別、檢測和分割。

反饋型神經網絡，比較復雜一些，也更接近于人腦的構造，它是一種從輸出到輸入具有反饋連接的神經網絡。當前的結果受到先前所有結果的影響。通常用于語音處理、文本處理、問答系統等類似于自然語言處理方面。因為自然語言處理，通常有上下文的語境，則會用到反饋型神經網絡。

2.4神經網絡訓練算法

人工神經網絡是否能成功應用，其模型構建是需要訓練的，對于每一個輸入，如何組合，其權重如何確定，即其參數的獲取，要通過訓練算法與函數來實現。訓練成熟之前，得到的參數可能會與期望的結果存在很大誤差。對于此類問題，解決方式之一是采用以誤差為主導的反向傳播算法。

反向傳播算法，其本質是通過前向傳遞輸入信號直至輸出產生誤差，再將誤差信息反向傳播，去更新網絡權重矩陣。通過這種反饋機制，反饋越多，神經網絡學習的結果將越準確。

目前，基于神經網絡的人工智能系統，對手寫體數字識別正確率可達 99.8%。對于圖像識別和分類，有一個 ImageNet 圖像分類比賽，采用這種神經網絡

訓練算法，通過很多隱藏層，經過多次訓練，最終神經網絡算法的錯誤率低至3.1%，而人類分類錯誤率為 5%，神經網絡人工智能的算法分類結果已經優于人類。

神經網絡的主要學習機制為誤差反向傳播算法，不斷修改網絡參數，使得分類效果越來越好。

3人工智能系統算法運用實例——手寫數字識別

手寫數字識別是一個典型的人工智能算法應用，通過討論手寫數字識別的實例，我們可以看到神經網絡的強大，也可以更好地理解它是如何運行的。

進行手寫數字識別之前，需要準備一個訓練好的帶有標簽的數據集。MNIST就是一個著名的手寫體數字識別數據集，其中包含訓練集和測試集，訓練集包含了 60000 個樣本和標簽，測試集包含 10000 個樣本和標簽。從機器學習和訓練的角度而言，訓練集類似于我們在學習中使用到的各種學習資料，可幫助我們提升學習能力;測試集類似于考試試卷，用于檢測學習成績;標簽則可以認為是習題和考試的標準答案。

通過訓練集的訓練，如果用測試集在進行測試時，手寫數字圖片的輸入都能得到和標簽一致的結果，則考試通過，那么就說明人工智能的程序具備手寫數字識別能力。其中，樣本為代表 0～9 中的一個數字的灰度圖片，對應一個所代表數字的標簽，圖片大小為 28*28，且數字出現在圖片正中間。電腦（算法）“看到”樣本圖像時，其實是得到一些列的像素點的灰度值數據，白的地方是 1，黑的地方是 0，1 和 0 之間的小數代表灰度值。需要構造神經網絡算法：首先要有向量，即多個數字按順序排成一組，其中數字的個數稱為向量的維數;每個樣本圖像的輸入都是一組 784（28*28=784）個數值，稱為一個 784 維向量;每個標簽數據中，把數字 n 將表示成一個只有在第 n 維度數字為 1 的 10 維向量。輸入的 784維向量經過兩層中間計算后，輸出為一個 10 維向量，每個維的值代表是該數字的概率。通過梯度下降法和反向傳播算法，經過一小段時間的訓練，AI 識別手寫數字的準確率便達到了 93.13%。

4結語

當前最先進的人工智能研究以神經生物學的大腦為原型，將大腦想象成一個擁有大量清晰資料的邏輯推理裝置，并以此來構造基于神經網絡的人工智能系統。從變革生活方式角度出發，深入研究神經網絡的構建與優化，從而更好地解決人類社會中遇到的各種問題。

參考文獻：

[1]何靜.具身性與默會表征：人工智能能走多遠？[J]華東師范大學學報（哲學社會科學版），2018，（5）：38-43.

[2]陳斌.人工智能與信息社會.學習強國慕課（理工農醫），2018.

[3]邵語千.人工智能的現狀及發展趨勢[J].科技傳播，2018，（10）：106-107.

[4]杜 森 . 人 工 智 能 對 人 類 生 活 方 式 的 影 響 及 反 思 [J]. 遼 寧 工 業 大 學 學報，2016，18（3）：51-53.

[5]曹峰，石霖.我國人工智能計算和基礎應用服務平臺發展現狀及趨勢研究[J].電信網技術，2018，4（4）：7-9.

湖北省教育廳科學研究計劃指導性項目：深度學習在乳腺 MRI 腫瘤分割中的應用研究（B2020340）