当前位置:首页 > 天道酬勤 > 正文内容

什么神经网络模型适合做分类(BP神经网络模型)

张世龙2021年12月20日 08:16天道酬勤280

01

对人和动物来说,我们的机器是由神经元制造的。 也就是神经网络。

人类智能是如何工作的印象是基于大脑是如何工作的简单想法。

虽然神经元很复杂,但人类已经初步认识到神经元所做的重要事情之一。 积累到一定数量,将总数与一个阈值进行比较,判断是否超过了该阈值。

触发神经元及其活化程度不断变化,其活化水平受轴突活化水平的影响。

从轴突附着在突触上的其他神经元延伸到本神经元的树突(输入结构)。

突触具有的电量从正(兴奋)变为零,然后变为负。

到达的每个轴突的活化水平乘以突触的电量,神经元累计这些活化水平,如果总数超过极限,神经元就会更加活跃,向与那里相连的神经元发送信号。

神经元经常处于激活状态,其激活水平只能更快或更慢地变化为可感知的速度,但有时用“关(安静率)”或“开(on )”动作率来表示更为方便。

可以看到,这些神经元连接在一起构成逻辑门,执行最基本的关系,即,或,非。

利用神经元模型构建了传统的数字计算机。 无论这些逻辑门是神经元还是半导体,现在都可以执行经典逻辑了。

此外,人们正在调整方向,以制造更具生物形态的计算机。

首先,添加模糊的逻辑。 在现实生活中,人们对于某件事是否正确,不是全部,或者说没有那样明确的把握。

其次,增加统计决策,将结论单位设计成不同方式的组合。 例如,变更为极限单位,只在超过一定临界点的情况下执行政策并决定; 或者单位可以逐渐增加活跃度,稳定在收益减少的位置。

再次将各单位与所有单位连接。

于是,有趣的事情发生了。 网络开始产生类似人类思维的过程。

舍弃这样的前端节点,只计算各性质间的相关度的网络有5个典型特征。

1、这是重构的,内容地址的记忆存储器。

位本身没有意义,它们构成的字节有任意的地址,地址和内容无关。

从地址中获取内存的存储位置,确认模式是否存储在存储中的某个位置。

由于表示一个事物的单位相互紧密相连,所以被激活的单位相互加强。

此外,由于连接是冗余的,因此即使只将模式的一部分提交给自动协作器,其余的部分也会自动完成。

这有点像内心的回忆。

2、处理嘈杂输入的方法。

在现实世界中,输入错误等,错误随处可见。

以前的电脑不聪明。 例如,我们输入了打印命令,用错了手打成了pritn file。 然后返回一条消息: pritn :命令未找到。

近年来,这种状况有所改善。 最常见的是采用我们能输入word时的自动偏斜校正功能。 如果不小心输入了gub,word可能会提示是变更为gun,还是“帮助”等。

3、可以进行限制性满足的简化版计算。

基于规则,人们需要仔细推测。 在我们的感知、语言、简单的球场推理中,经常会遇到这种情况。

我是恶意行为的受害者还是愚蠢行为的受害者?

约束网络模拟这一点,一个约束网络可能具有彼此不一致但相等的稳定状态。 这说明了这一现象整体的模糊性。 也就是说,不是用各部分,而是用两种方法说明物体整体。

4、网络自动总结摘要的能力。

这个模式联合器的原理是这样的,如果两个物体在某种方法上相似,那么在其他方法上也很可能相似。

与某个单位的物体相连的信息事实上与其他物体的许多单位相连。

例如有“移动”、“呼吸”、“长毛”、“嚎叫”、“咬人”、“看到消防栓就抬脚”等输入单位,通过这6个连接全部发散,可以触发一种动物——,从而揭开——的事实

5、从例子中学习。

这是目前强化学习的重要概念,模型制作者没有自行决定战略,而是利用了学习的机制。

拥有这种学习技术的模式联合器称为珀普顿。

当然,这种模型需要容错机制——,但隐式网络经过训练,可以使用更新的传感器学习程序来确定自己的权重。

在了解神经网络模型的特征之后,让我们反过来思考智能是如何工作的。

这个神经网络进行了正确的计算,以反应人脑思维的作用吗?

02

中,心智是如何工作的呢? 计算机模拟给我们提供了一个一直以来被忽视的视角。

第一个是个人概念。

个人的概念是人类社会推论整体知识的基本粒子。

人总是很容易区分一切

个个体,即使她们是几乎一模一样的同卵双胞胎,我们也可以明白这是“两个人”。

我们对个体的执迷或许是因为,我们所遇到的每个人,都与所观察到的其他物体不同,他有其独特性、能动性及不同的经历。

这是一个显而易见的心智能力,在动物身上也有出现。

不过,计算机很难做到这一点,只要是相同的表征,计算机都会认为这是同一个物体,也就是说,系统会混淆类别和个体。

或者说,系统没有个体概念。

第二,组成性问题。

一个表征如何由各种部件组成,各个部件的含义是什么,其组成方式又如何构成整个表征的含义。

组成性是所有人类语言的精华特征。

我们可以产生很多疯狂的新想法,无论这想法有多么荒谬不经。

比如:奶牛跳过月球,宇宙源于一个大爆炸,外星生物降临地球……

可能你会觉得,把这样的组成性问题放在神经网络中非常容易,只要开启“奶牛”“跳过”“月球”的单位就可以了。

实际上,这会导致一种混淆:究竟是奶牛跳过了月球,月球跳过了奶牛,还是奶牛和月球跳过了。

也就是说你需要将概念分配给角色,设置一个参数,规定谁是可以跳的。

人的心智模式中天然可以区分这一类事情,因为我们的思维是彼此相关的方式。

只要看到这三个词,“奶牛”、“跳过”、“月球”,我们可以自然地将其组合成一句话并正确理解。

所以,人类心智一定表征了比概念到概念更复杂的命题。

第三、量化或变量约束。

试着看这样一句话:

你可以在某些时候愚弄所有人,你甚至可能永远愚弄某些人,但你不可能永远愚弄所有人。——笨笨的衬衫

如果你可以理解这句话,那么所运用的就是计算量化的能力。

人类对记忆系统有着两种非常不同的要求。

我们要记住具体的,谁,在什么时候,在什么地点,为什么,对谁,做出了什么事情。

同时,我们也需要推断出一些关于世界如何运转的一般性知识。

心理学家将这两种方式做了区分,前者是“情景式”或者说是自传体式记忆;后者是“语义式”或者说是一般性知识记忆。

第四、递归。

人类的心智可以将一整个命题放在一个更大的命题当中,赋予它一个角色。

我们可以产生一组无限多的数的能力,将一个命题嵌套在另一个命题当中,这增加了无限多思维的能力。

在计算机科学和心理语言学当中,采用的是一种更为强大和灵活的机制:

每一个简单结构都在长期记忆中得到一次表征,处理器的注意在一个结构到另一个结构之间不断地穿梭转移,将转移的路线记录在短期记忆中,从而将命题编织在一起。

这就是递归式转换网络的动态处理器所做的事情。

让我们将其转换成人话:

比如说在理解一个句子的时候,我们是一次听或者读一个单词,而不是一个整句——人类似乎也是在一点一点咀嚼我们的复杂思维,而不是囫囵咽下。

或许当一个动态处理器在这么做的时候,它也不仅仅是为了句子,而是为了思维。

第五、模糊版和清晰版的统一。

我们都知道,在人类世界,很多轻松的外套性概念的边界都很模糊,没有清晰的定义。

但是人们并不总是模糊的,我们有非常多的确定性判断和毫不含糊的思维例子。

人们同时用这两种方式来思维。

模糊性来自于人类会不假思索地吸取各个特征的相关性来形成一种刻板印象,比如对地域的刻板印象,或者对鸟类应该是什么样的刻板印象等。

但人类也会创造系统规则,规则带来了思维的清晰性,并且让我们从单纯的相似性中升华出来,根据解释来得出结论。

模糊版和清晰版的相同类别,就这样相安无事地共处于一个大脑之中。

03

在强光灯下的比较和审视让我们看到了神经网络模型与人的心智之间的差距,差距还有很多,目前已经复杂到一个比较高的量级。

神经网络通过执行一些逻辑和统计运算,来选择输入表征、网络数量、每一个网络的连接方式,以及数据路径和连接这些路径的控制结构。

神经网络正在试着越来越好地地解释怎样让一个系统变得智能。

这一切开始地那么朴素,离奇迹的感觉也还很遥远。

但是,正是这样的一套“更具生物形态的计算机”,让我们离自己的心智智能越来越近。

扫描二维码推送至手机访问。

版权声明:本文由花开半夏のブログ发布,如需转载请注明出处。

本文链接:https://www.zhangshilong.cn/work/25501.html

分享给朋友:

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。