本文為 AI 研習社編譯的技術博客，原標題 ：

Neural networks for dummies: a quick intro to this fascinating field

作者 | Dalya Gartzman

翻譯 | Disillusion

校對 | 醬番梨        整理 | 菠蘿妹

原文鏈接：

https://medium.freecodecamp.org/neural-networks-for-dummies-a-quick-intro-to-this-fascinating-field-795b1705104a

你是否想知道大家都在談論的神經(jīng)網(wǎng)絡到底是什么，但你又不敢去問？哈哈，別再害怕了！讀了這篇文章，你將能夠走進任何一個會議，用你新獲得的流行詞在午餐桌上大放異彩！

如果你在過去幾年里打開過瀏覽器，你一共見過“神經(jīng)網(wǎng)絡”這個詞（幾百次）了。

在這篇短文中，我將給你一些關于神經(jīng)網(wǎng)絡和其領域的一些知識。在接下來的5分鐘里，你可能不會成為這個領域的世界專家，但你會經(jīng)歷一個不平凡的入門階段。你也會學到一些時髦的詞匯來給餐桌上的家人留下深刻印象，尤其是當你真的照著文末的閱讀清單去讀書。

要理解神經(jīng)網(wǎng)絡，我們首先需要理解機器學習。為了理解機器學習，我們得先談談人類學習，也就是“經(jīng)典編程”。

在經(jīng)典編程中，作為開發(fā)人員，我需要理解我試圖解決的問題的各個方面，并確切地知道所有的規(guī)則是什么，以使我的程序成為解決方案。

例如，假設我想讓我的程序知道正方形和圓形之間的區(qū)別。處理它的一種方法是編寫一個程序，它可以檢測角，然后應用它來計數(shù)角。如果程序看到四個角，那么這個形狀就是正方形，如果程序看不到角，那么這個形狀就是圓形。

而機器學習呢？一般來說，機器學習=從例子中學習。

在機器學習中，當我們面對同樣的區(qū)分圓和正方形的問題時，我們會設計一個學習系統(tǒng)，該系統(tǒng)會以形狀及其類(正方形或圓形)的許多例子作為輸入。我們希望機器能自己學會區(qū)分它們的特性。

然后，我的朋友們，一旦機器學習了所有這些特性，我就可以給它一個新的圓或正方形的圖像，一個它以前沒見過的圖像，一切順利的話，它將能對其正確地分類。

神經(jīng)元，在神經(jīng)網(wǎng)絡的背景下，是自作聰明的人想的一個花哨的名字，實際上它們就是函數(shù)。函數(shù)，在數(shù)學和計算機科學的背景下，也是一個花哨的名稱，用來表示接受一些輸入，應用一些邏輯，并輸出結果的東西。

說的更確切些，神經(jīng)元可以看作是一個學習單元。

因此，我們需要理解在機器學習的背景下，什么是學習單元。然后我們還將了解神經(jīng)網(wǎng)絡最基本的組成部分，即神經(jīng)元。

為了舉例說明，假設我試圖理解一篇博客文章中的字數(shù)與人們實際從那篇博客文章中讀到的字數(shù)之間的關系。記住，我們在機器學習領域，我們從例子中學習。

所以我收集了很多關于博客文章字數(shù)的例子，用x表示，以及人們在這些文章中實際讀了多少個單詞，用y表示，我想它們之間有某種關系，用f表示。

然而，訣竅是，我只需要告訴機器(程序)我期望看到的關系是什么(例如一條直線)，機器就會理解它實際需要繪制的線。

我從中得到了什么?

下次我想寫一篇含有x個單詞的博客文章時，機器可以應用它找到的關系f，告訴我可以期望人們實際讀多少個單詞，y。

如果神經(jīng)元是一個函數(shù)，那么神經(jīng)網(wǎng)絡就是一個函數(shù)網(wǎng)絡！這意味著我們有許多(特別多)這樣的函數(shù)，這樣的學習單元，它們的所有輸入和輸出都是相互交織的，它們相互供給。

作為這個網(wǎng)絡的設計者，我的工作是回答以下幾個問題:

一旦我回答了這些問題，我就可以“展示”神經(jīng)網(wǎng)絡許多(特別多)正確輸入和輸出的示例，希望當我“展示”一個它從未見過的新輸入示例時，它將知道如何給出正確的輸出。

這個學習過程是如何工作的超出了本文的范圍，但如果你想要了解更多信息，可以看這個。你也可以去這個超級酷的神經(jīng)網(wǎng)絡游樂場，更好地理解這些概念。

隨著這個領域的爆炸式發(fā)展，每分鐘都有大量的新(和高質(zhì)量的)內(nèi)容涌現(xiàn)出來，任何人都不可能全部關注。(我的天哪，你認為將來會有一天，人類能夠制造出一種能夠跟蹤人類在人工智能領域進步的人工智能嗎？？)

進入這個領域，首先要知道的是沒有人知道一切。所以，不管你處在什么階段都不要緊張，保持好奇心:)

因此，我希望在這篇文章的最后幾句話是一些我個人最喜歡的參考資源:

感謝 Hagar Shilo, Adi Polak, Noa Raindel, Yudit Sharabi, Batel Mankovsky。

想要繼續(xù)查看該篇文章相關鏈接和參考文獻？雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

長按鏈接點擊打開或點擊【小白必看：神經(jīng)網(wǎng)絡入門指南】：

https://ai.yanxishe.com/page/TextTranslation/1303

AI研習社每日更新精彩內(nèi)容，觀看更多精彩內(nèi)容：

用Python實現(xiàn)遺傳算法

如何將深度學習應用于無人機圖像的目標檢測

機器學習和深度學習大PK！昆蟲分類誰更強？

Python高級技巧：用一行代碼減少一半內(nèi)存占用

等你來譯：

五個很厲害的 CNN 架構 

如何在神經(jīng)NLP處理中引用語義結構 

特朗普都被玩壞了，用一張照片就能做出惟妙惟肖的 Memoji

讓神經(jīng)網(wǎng)絡說“我不知道”——用Pyro/PyTorch實現(xiàn)貝葉斯神經(jīng)網(wǎng)絡