我是一个平平无奇的AI神经元
我是一个AI神经元
我是一个AI神经元，刚刚来到这个世界上，一切对我来说都特别新奇。
之所以叫这个名字，是因为我的工作有点像人类身体中的神经元。
人体中的神经元可以传递生物信号，给它输入一个信号，它经过处理后再输出一个信号传递给别的神经元，最终传递到大脑完成对一个信号的决策和处理。
聪明的计算机科学家们受到启发，在代码程序里发明了我：神经元函数。
在我们的世界里，我只是普普通通的一员，像我这样的神经元有成百上千，甚至上万个，我们按照层的形式，组成了一个庞大的神经网络。
很快我和隔壁工位的大白开始混熟了，他比我来得早，对这里要熟悉的多。
听大白告诉我说，我们这个神经网络是一个图像识别的AI程序，只要给我们输入一张狗的照片，我们就能告诉你这是一只柯基，还是泰迪、柴犬、二哈···
神经元结构
在大白的指引下，我很快就学会了怎么工作。
虽然我们叫神经元，名字听起来挺神秘的，但实际上我就是一个普通函数，有参数，有返回值，普通函数有的我都有：
def neuron(a):
w = [...]
b = ...
...
我有一个参数a，这个参数是一个数组，里面的每一个元素我把它分别叫做a1，a2，a3···用这个a来模拟我这个神经元收到的一组信号。
人类的神经元是怎么处理输入的生物信号我不知道，我估计挺复杂的。但在我这里就很简单:我给每一个输入值设定一定的权重，然后做一个简单的加权求和，最后再加上一个偏移值就行啦！
所以我还有一个数组叫做w，就是权重weight的意思，里面的每一个元素我叫做w1，w2，w3···，至于那个偏移值，就叫它bias。
如此一来我的工作你们也该猜到了，就是把传进来的a里面的每个元素和w里的每一个元素做乘法，再加起来，最后加上偏移值，就像这样：
说到这里，我突然想到一个问题，打算去问问大白。
“大白，这些要计算的数据都是从哪里来的呢？”
“是上一层的神经元们送过来的”
“那他们的数据又是哪来的呢？”，我刨根问题的问到。
大白带我来到了门口，指向另外一个片区说到，“看到了吗？那里是数据预处理部门，他们负责把输入的图片中的像素颜色信息提取出来，交给我们神经网络部门来进行分析。”
“交给我们？然后呢”
“咱们这个神经网络就像一台精密的机器，我们俩只是其中两个零件，不同的权重值某种意义上代表了对图片上不同位置的像素关心程度。一旦开动起来，喂给我们图片数据，我们每一个神经元就开始忙活起来，一层层接力，把最终的结果输出到分类器，最终识别出狗的品种。”
神经网络训练
正聊着，突然，传来一阵广播提示音，大家都停止了闲聊，回到了各自工位。
“这是要干啥，这么大阵仗？”，我问大白。
“快坐下，马上要开始训练了”，大白说到。
“训练？训练什么？”
“咱们用到的那些权重值和偏移值你以为怎么来的？就是通过不断的训练得出来的。”
还没说到几句话，数据就开始送过来了。按照之前大白教给我的，我将输入数据分别乘以各自的权重，然后相加，最后再加上偏移bias，就得到了最后的结果，整个过程很轻松。
我准备把计算结果交给下一层的神经元。
大白见状赶紧制止了我，“等一下！你不能直接交出去”
“还要干嘛？”
大白指了一下我背后的另一个家伙说到：“那是激活函数，得先交给他处理一下”
“激活函数是干嘛的？”，我问大白。
“激活，就是根据输入信号量的大小去激活产生对应大小的输出信号。这是在模仿人类的神经元对神经信号的反应程度大小，好比拿一根针去刺皮肤，随着力道的加大，身体的疼痛感会慢慢增强，差不多是一个道理。”
听完大白的解释，我点了点头，好像明白了，又好像不太明白。
后来我才知道，这激活函数还有好几种，经常会打交道的有这么几个：
sigmoid tanh relu leaky relu
激活函数处理完后，总算可以交给下一层的神经元了，我准备稍事休息一下。
刚坐下，就听到大厅的广播：
随后，又来了一组新的数据，看来我是没时间休息了，赶紧再次忙活了起来。
这一忙不要紧，一直搞了好几个小时，来来回回重复工作了几万次，我都快累瘫了。
损失函数 & 优化方法
趁着休息的空当，我又和大白聊了起来。
“大白，刚刚咱们这么来来回回折腾了几万次，这是在干啥啊？”
大白也累的上气不接下气，缓了缓才说到：“这叫做网络训练，通过让我们分析大量不同品种狗的图片，让我们训练出合适的权重和偏移值，这样，我们就变得会认识狗品种了，以后正式工作的时候给我们新的狗的图片，咱们也能用学到的知识去分辨啦！”
“那到底是怎么训练的，你给我说说呗”，我继续问到。
“你刚才也看到了，广播里不断通知更新权重和偏移值。这训练就是通过不断的尝试修改每一层神经元的权重值和偏移值，来不断优化，找到最合适的数值，让我们对狗的种类识别准确率最好！”，大白说到。
“不断尝试修改？这么多神经元，难不成看运气瞎碰？”
大白给了我一个白眼，“怎么可能瞎试，那得试到猴年马月去了。咱们这叫深度学习神经网络，是能够自学习的！”
他这么一说我更疑惑了，“怎么个学习法呢？”
“其实很简单，咱们先选一组权重偏移值，做一轮图片识别，然后看识别结果和实际结果之间的差距有多少，把差距反馈给咱们后，再不断调整权重和偏移，让这个差距不断缩小，直到差距接近于0，这样咱们的识别准确率就越接近100%”
“额，听上去好像很简单，不过我还有好多问题啊。怎么去衡量这个差距呢？具体怎么调整权重偏移呢？调整幅度该多大好呢？”，我小小的脑袋一下冒出了许多的问号。
大白脸上露出了不可思议的表情，“小伙子，不错嘛！你一下问出了神经网络的三个核心概念。”
“是哪三个？快给我说说”
大白喝了口水，顿了顿接着说到，“首先，怎么去衡量这个差距？这个活，咱们部门有个人专门干这活，他就是损失函数，他就是专门来量化咱们的输出结果和实际结果之间的差距。量化的办法有很多种，你空了可以去找他聊聊”
“那第二个呢？”
“第二个，具体怎么调整，这也涉及到咱们神经网络中一个核心概念，他就是优化方法，咱们部门用的最多的是一个叫梯度下降的方法。那玩意儿有点复杂，一时半会儿给你说不清楚，大概差不多就是用求导数的方式寻找如何让损失函数的损失值变小”，大白继续耐心的解释着。
“好吧，那第三个核心概念是什么？”
“你刚不是问调整幅度吗？这个调整幅度太小了不行，这样咱们训练的太慢了，那得多训练很多回。太大了也不行，要是一不小心错过了那个最优值，损失函数的结果就会来回摇摆，不能收敛，所以有一个叫学习速率的数值，通常需要程序员们凭借经验去设定”
我还沉浸在大白的讲解中，广播声再次响起：
看来程序员修改了学习速率，我只好打起精神，继续去忙了，真不知道何时才能训练达标啊～