人工智能和深度神经网络

  1. AI技术，本质上是一种数据处理技术，AI其实并没有什么神秘，只是在算法上更为复杂。AI技术，说到底是基于已有数据找规律的问题，是拟合复杂函数的问题，是数据处理的问题； 2. 神经网络的计算能力具有以下两个特征，神经网络是大规模并行分布式计算结构；神经网络具有学习能力以及由此而来的泛化能力。泛化(Generalization)是指神经网络对未在训练(学习)过程中遇到的数据可以得到合理的输出； 3. 神经网络这两种信息处理能力让ANN可以找到一些当前难以处理的复杂(大规模)问题的好的近似解。但是在实践中，神经网络不能单独做出解答，它们需要被整合在一个协调一致的系统工程方法中； 4. 具体来说，一个复杂问题往往被分解成若干个相对简单的任务，而神经网络处理与其能力相符的子任务。但是，我们在建立一个可以模拟人脑的计算机结构(如果可能〉之前还有很长的路要走，认识这一点是很重要的； 5. 人工神经网络中参数量的意思等价于网络节点中的“连接”数，网络中的每个链接代表一次计算过程，网络深度就是网络的层数，网络宽度指的是该网络的每一层中包含的神经元的数量； 6. 更深入的表示特征可以这样理解，随着网络的层数增加，每一层对于前一层次的抽象表示更深入。在神经网络中，每一层神经元学习到的是前一层神经元值的更抽象的表示。例如第一个隐藏层学习到的是“边缘”的特征，第二个隐藏层学习到的是由“边缘”组成的“形状”的特征，第三个隐藏层学习到的是由“形状”组成的“图案”的特征，最后的隐藏层学习到的是由“图案”组成的“目标”的特征。通过抽取更抽象的特征来对事物进行区分，从而获得更好的区分与分类能力。