神经网络与人类思维间的深层关系
人工智能席卷了世界，所谓的“机器学习算法”已经渗透到现代技术各个可能的层面，它已成为义务而不是创新。有些人可能会争论，我们今天使用的机器学习算法是否足够自主到可以称为真正的AI，这个争论过于宽泛，并不是本文的重点。
在这篇文章中，我试图探索神经网络与人类思维之间的深刻复杂性和深层关系。
当你开始在谷歌上输入时，浏览器怎么就已经猜到你在找什么呢?移动相机又如何在我们称为照片的微小像素海洋中识别人脸呢?像Alexa、Siri或Google Home这样的虚拟助理如何实现复杂的任务，例如安排会议、获取天气信息、阅读睡前故事等呢?
所有这些问题的答案正是机器学习，更具体地说，是神经网络。
什么是神经网络?
本节意在告诉完全不了解深度学习的人什么是基本的神经网络。虽然实际涉及的数学更复杂，但这里的重点不是神经网络的工作方式，而是试图理解他们与人类思维的联系。
神经元
神经元是神经网络中最简单的单位。神经元所做的是从上一层中的所有神经元接收输入值(此案例中神经元y的上一层用蓝色表示，如x1, x2 , x3等等)，并将每个输入值与来自输入值的神经元相关的权重相乘。所以这里x1与w1相乘，x2与w2相乘等以此类推，所有这些乘法都是在神经元y内部增加的。
y=x1.w1 + x2*w2 +x3*w3……xm.wm
然后使用激活函数如Sigmoid、tanH、ReLU等将该求和值转换为输出值。那么这些激活函数又是什么呢?下面举个sigmoid激活函数的例子。
Sigmoid激活函数
Sigmoid激活函数将任何输入值(本案例中求和y即是Sigmoid函数的输入值)转换为0至1范围内的值。就这么简单，添加输入值和各自的权重到激活函数中就好啦。你的神经元就会给你一个输出值。
简单的神经网络
这和神经网络一样简单。如你所见，这里的每个灰色圆圈都是一个神经元，这个神经网络有三层：输入层、隐藏层和输出层。
现在，神经网络学会了自行处理任务，但它们是如何学习的呢?当然是通过数据。我们将在下一节中讨论更多关于从数据中学习的内容，但我们现在知道了，数据通过输入层输入到神经网络，在中间层进行处理，然后由输出层输出。
将图像分类为猫和狗的神经网络
例如，如果你想让一个神经网络从图像中识别猫和狗，那么猫和狗的标签图像(标签图像意味着我们给神经网络一个正确的答案)就会输入到神经网络，进行处理，神经层猜测它是猫还是狗。现在，由于它有了图像答案，便以这种方式调整不同神经元之间的权重，来提高准确度。
人类思维——一个巨型神经网络
你有没有观察过蹒跚学步的孩子玩耍?他们总是如此好奇，渴望与周围的世界互动。幼儿的大脑就像简单而未经训练的神经网络，他们一出生就开始学习。由于神经网络在早期阶段非常简单，所以幼儿最早学的都是完成非常基本的任务，如行动、吃饭和爬行等等。
当一个初学走路的孩子拿着一个球时，他会观察它的重量、形状、握着它的感觉与皮肤周围的变化等。这一观察是他最初的部分学习过程，事实上也是在帮助他学习。幼儿玩球训练了他的大脑，为下次的活动做好准备。
图源：unsplash
现在，当他看到一个球，他就记得它是什么，拿着球和丢球的感觉如何。当孩子玩球次数越来越多，训练就形成了。青少年几乎是玩耍和投掷球的专家，尽管人们可能会认为投球是一项非常简单的任务，但你为之所经历的学习，无论如何都不是捷径。
正如前文所述，孩子的大脑就像一个简单的神经网络，实现基本的任务，如走路、吃饭、说话等。随着孩子的成长，他学会了更复杂的过程，如手和眼睛协调，说话流利，吃饭不洒等。
有训练神经网络经验的人认为，训练一个简单的网络相对容易，但随着增加更多神经层，让数据和终端输出更加复杂，学习速度就会减慢。童年是学习一项新技能的最佳时机，因为与成年人相比，他们的神经网络更简单，大脑没有受过训练，因此更容易将神经元弯曲到你的意愿上。
当孩子长大后，随着任务变得复杂，学习也变得困难。例如，解决棘手的问题、做出决策和判断就是复杂任务，即便我们成年人也没有停止学习和发展。大脑一直在学习，那么这种学习到底是如何发生的呢?
答案是——大脑重塑自己。就像神经网络中神经元之间的权重和连接发生变化一样，大脑也改变了数十亿神经元的连接，为了让复杂的神经网络不仅保留之前接受的训练，还能在此基础上再接再厉，提升最终过程的复杂性。
正如你在阅读这篇文章的时候，你大脑中的每个神经元都在改变自己，改变它与数十亿其他神经元的联系，在你自出生以来获得的经验的基础上增加经验。这就是学习的方式。每次你在学习，大脑都会重塑自己，这个过程就像训练神经网络一样。
数据就是一切
如今对科技巨头来说，没有什么比基于消费者的数据更重要。原因在于数据驱动“机器学习算法”。数据训练神经网络，没有数据就不可能学习。你一定遇到过下面这种验证码：
图源：unsplash
答对这个验证码可能对你来说小菜一碟，但让一个孩子来做，他可能答对但速度很慢。事实上，每次你在网络上回答这样的验证码，都可以帮助训练机器人或神经网络。你实际上是在帮助准备数据，训练真正为你服务的模型。可以说，你已经训练了大量重要的模型。
就像我们为人为制造的模型准备的数据是最重要的一样，人类的头脑也是一个贪婪的网络，在你生活的每个瞬间获取大量的数据。数据在建设你，帮助你学习，把你变成智能机器。这就带我们进入了人类大脑学习周围数据的最终层面，即输入层或者五官感觉。
五种感官
神经网络有一个输入层，数据通过它理解和处理的模型形式进入网中。然后数据传递到隐藏层进行训练，权重发生变化，最后输出层给出了一个预测，无论区分出它是猫还是狗，还是根据学过的单词完成一个句子。
由于我们把人类思维比作一个巨大的神经网络，只有当这个网络也有一个输入层时，它才是清楚的。视觉、听觉、触觉、味觉和嗅觉五种感官构成了输入层到大脑中。
视觉是所有五种感觉中最重要的，因为最大的数据变化就来自于这种感觉。训练神经网络最好的数据集合要包含不同类型的数据和示例，而不止是一种数据。只有一种数据会导致模型过度拟合，这意味着当数据源于经受训练过的同类，可能会给出正确的结果，但是当数据偏离训练数据规范时，精确度便受到威胁。
生活中大多数重要的学习过程中，眼睛是最活跃的。从走路到吃饭，从学习骑自行车到弹钢琴，从与他人互动到电脑上打字，几乎每一项任务都需要我们的眼睛。
听觉也很重要，这在以前更为明显，那时人类不得不在荒野中寻找食物，耳朵都集中在猎物发出的声音上，他们的生存取决于这种感官。
触觉也是人类最珍贵的感官之一。它使我们的手远离烫炉，防止把沸腾的牛奶喂给婴儿，让人类接触想要触碰的对象。
虽然嗅觉和味觉对人类神经网络的主要学习贡献不大，但它们有自身价值。这些感官有利于在生活成长和学习过程中探索趣味。闻到鲜花的芳香，品尝美酒的醇厚，以及感受美好的生活，都是通过嗅觉和味觉来实现的。
现在，我们已经了解了输入层、数据和发生所有处理过程的神经网络。再举个例子，把所有的拼图块放在一起，看看更大的画面，即模式识别。
模式识别
以学习阅读为例。眼睛是这里最重要的感官。孩子们学会阅读要先学习字母，反复看字母，尝试发音并写出来。每次读、说、写都在训练头脑，提高准确性，直到写出完整的字母表。
在神经网络受到相对简单的训练后，孩子会把单词串在一起，现在听觉起主要的作用。当他提到这些作品时，就在这些单词中开启识别模式，26个字母如何不同组合成大量的单词，形成英语。
这种模式识别非常重要，可帮助孩子识别人脸、动物或玩具。成年人的模式识别变得非常强大，他们接受了大量训练，处理海量数据帮助他们识别周围的模式。根据经验预测是否会下雨，根据记忆和经验预测事件结果都是模式识别。福尔摩斯发现商队里的莫里亚蒂教授，是因为他的袖子上有粉笔灰尘，这也是模式识别。
