人算不如天算之电脑中微型大脑.docVIP

人算不如天算 之 电脑中的微型大脑 发表于 2010-11-25 你的大脑有多强大，你知道吗？ 看看这幅图，它是由两幅图像交替而制成的gif动画，是不是很有立体感？不需要多少思考，大多数人一瞄就能说出壁炉上各种器皿的位置或者木柴的大概纹理（伴随着晕眩的副作用）。但如果要通过计算机来建立立体模型的话，要先通过轮廓提取之类的方法找出两幅图像之间的对应点，然后计算相机的位置，最后才能用几何的方法将立体模型建造出来，这个过程涉及不少复杂的矩阵计算。但人脑似乎用某种奇异的方法，不费吹灰之力就完成了同样的任务。 不仅是人脑，似乎简单得多的动物，它们的脑在某些方面也有出众的表现。澳大利亚的一组研究人员就花了相当时间对苍蝇脑的视觉部分进行了分析，将其中一些神经元的活动以方程的形式提炼出来，结果得到了一个图像运动检测算法，在很多情况下比目前的算法效果要更好，效率也更高，但算法的整体原理在很大程度上仍然是个谜。 那为什么脑，或者说由神经元构成的网络，会有这么神秘而强大的能力呢？ 研究大脑的学者恐怕会说：这个嘛，不太清楚。 对于大脑产生智能的具体机理，学界有很多不同的观点，但是在目前的研究水平上，不要说大脑的整体运作，就算是大脑的神经元之间的互动，也还藏有不少的谜团，所以，我们离揭示大脑能力的奥秘还差很远很远。要更进一步，还需要更精细的分析能力和更强大的计算能力。 但工程师有工程师的想法。他们相对而言不太关心具体的机理，更关注的是这东西是否管用。比如说从苍蝇脑里提取的算法，尽管研究人员既不明白每一步的意义，也不明白这个算法是如何一步一步演化形成的，但这不妨碍他们对这个神秘的算法的应用。据报道，已经有个别自动导航系统在使用这个算法了。 同样，对于大脑，工程师们想到的是：如果对神经元组成的网络进行适当的模拟，或许可以完成对于传统算法来说困难的任务。沿着这个思路，他们得到了“人工神经网络”，一类被广泛应用的人工智能算法。 简单的拼板 要模拟生物中的神经网络，那就要明白神经细胞之间通讯的大概原理。 神经细胞 神经元细胞的构造相当复杂，主要由细胞体、树突和轴突构成。细胞体负责各种后勤和调控工作，而树突和轴突的功能则是完成细胞之间的通讯。树突负责接收其它细胞的信号，而轴突负责把细胞的信号传给别的细胞。如果神经细胞接收到的信息满足一定的条件，它就会被激活，然后开始向其它细胞传递信号。具体的信号处理与传递过程相当复杂，甚至还涉及其他种类的细胞。 但是，对于工程师来说，这样的描述甚至仍然太复杂了。本着抽象和过度简化的原则，他们建立了神经细胞的一个非常简化的模型：人工神经元。 人工神经元 一个人工神经元可以分为三个部分。第一部分是输入，负责接收来自外部的信号；第二部分是信息处理，它将来自其它神经元的信号，按照信号的性质和重要性进行汇总后，再根据一定的条件判断是否发出信号，以及发出信号的强度；最后一部分是输出，将信号输出到外部，有可能是到别的神经元，也有可能直接作为神经网络的输出。 这是个相当简单的模型，真实的神经细胞运作的方式远远要更复杂。简单的模型好处在于编程和分析的难度都比较低。从实用性的角度来看，这要比实打实地模拟一个神经细胞更划算。 容易的拼图 接下来的工作，就是要将人工神经元拼起来，做成一个人工神经网络。这一步看起来不难，但到底怎么拼，要拼成什么样的结构，这仍然是个问题。 一个看起来明智的选择就是直接模拟大脑结构，也就是采用带有反馈的结构。这样一来更贴近大脑，二来也给充分利用了人工神经元之间的连接，有着更大的复杂性，看起来也更强大。 这是一个典型的“科学家的选择“，工程师们对此就可能不太同意。这种带有反馈的结构的确可能有更强大的性能，但它的复杂性也增加了编程和分析的难度。在“性价比”的考量下，对工程师而言，以下的结构（被称为“前馈结构”）可能更适合。 多层前馈神经网络结构 这样的结构，是由几层人工神经元搭起来的。第一层神经元接受输入，最后一层神经元输出结果，而中间的每一层神经元，只能接受上面一层神经元的信号，然后将处理过的信号输出到下一层的神经元。因为这样的层状结构中不会存在信号的反馈，所以这种结构就被称为多层前馈结构了。 选择这种前馈结构的原因，自然是因为结构简单，但另一方面，它的性能是否足够强大呢？答案是肯定的。从数学上可以证明，在适当的条件下，这种前馈结构的人工神经网络，只要规模足够大，就可以对任意的连续函数进行足够好的近似。这个能力就足以（在近似的意义上）解决现实中的绝大部分问题了。 当然，也有研究人员在对其它结构进行研究，也得到了一些不错的结果。但在目前来看，简单有效的前馈结构在应用中仍然是非常热门的。 牵引的连接 即使选择好了结构，工作还远远没有完成。我们仍然需要确定对于整个网络至关重要的一些参数。方才提到，人工神经元会对外部传来的信号按照性质