图像处理与机器视觉
尽管现在人工智能在许多方面都取得了迅速的进步，人工智能的发展离不开神经网络原理的诞生，但它仍然是少数人能理解的东西，掌握它的人也更少。在人们生活中经常使用的语音助手，人脸识别，图片提取文字等都离不开神经网络的应用。但网络上的资料都是一堆枯燥无味的数学公式，本文在不使用复杂的数学公式的前提下对神经网络进行通俗的讲解。
计算机里图像只是一堆数字
首先在计算机里图像只是一堆数字而已，每一个像素点有一个特定的数字。如选一个28*28的图片怎么让计算机对手写图像进行识别呢？我们使用多层神经网络对图像进行特征提取来进行对数字的识别。
多层神经网络
本图神经网络有4层，其中有784个输入层，2个隐含层，一个输出层。
输入层有784个，这784个输入值就是28*28个像素点所代表的数值排成一列而成。
28X28=784排成一列进行输入
输出层就是代表计算机最终计算预测结果，判断图像代表的是什么数值。
判断出图片为数字9
隐含层是神经网络的关键，对图像识别的正确性至关重要。其中隐含层的层数和个数由自己进行分配选取，从而来达到最好的识别效果。其中隐含层主要是对图片的特征进行提取。
隐含层
隐含层到底时怎么进行工作的呢？下面进行详细的介绍。我没知道，数字9可以由一个0和一个1组合而成，数字8可以由两个0组合而成。隐含层的第二层就是想这样对图像进行特征提取并来对数字进行区分的。
数字可以细分不同的图像进行组合而成
隐含层第二层对图像的处理
但是一层隐含层识别率还是有点低，为了提高识别的准确性，我们可以对第二层的图像进行细分，所以添加了第一层的隐含层。如下图，数字0还可以进行进一步的细分。
进一步细分
所以隐含层是对图像进行精准的提取，组合，判断，以达到对数字正确的识别。
但是每个层之间的连线是干什么的呢？
What？
从上面我们知道第一层的输入层代表着图像每个像素的数值p，这些图像可能很杂乱，如下图。
有点夸张 (*^__^*)
但从这些参数怎么提取我们想要的特征呢？我们就需要一个权重(weights)w对图像进行处理来得到我们想要的特征。
其中一个想要得到的特征
然后与我们的图像进行叠加就得到我们其中一个特征。
叠加
有些图像会有噪点，或者我们想提高识别的门槛（阈值）。我就需要一个偏置（biases），来减少干扰。由于每一层都会有一个偏置和一组权重(weights),我们会要计算很多的数值，所以这一过程的计算量是很大的。(/ □ )
13002个值(/ □ )
到这里一个基本的神经网络就以及介绍完毕了，就是这么简单(*^__^*) 。
e的左上角
神经网络是一种类人脑神经机制的模型，对它不是很了解的话，就不要管它和人的大脑神经有什么关系了。
你可以把它当作一种黑盒子，里面保存着很多很多的参数，你给网络喂数据，他根据参数计算给你输出结果，你可以把它当做一种函数拟合工具来用，只不过是这个函数相对一般函数而言是可以复杂一点的。
以最简单的三层神经网络解决二分类问题为例：包括输入层、隐藏层和输出层，如下图。
就是输入神经网络的数据，一个数据被称为输入层的一个神经元。
隐藏层可以看做由输入数据提取的特征，特征是什么？就当做一种可以对应表示数据的一堆参数吧。
输出层二分类问题的输出层定义为两个神经元，存储着数据被预测到该分类的概率，哪个大就被分在那一类。
这些带箭头的线表示什么呢？这些箭头上都有一定的权值w,箭头出发的神经元会乘上这个对应的权重，箭头指向的神经元的值便由所有指向它的箭头的输入层神经元乘上相应权重的值的和决定。
这样神经网络其实就是一种特殊的计算规则，只要初始化了参数，对于每一个箭头都有了对应的权重，根据初始值，是不是就能计算出，最后输出层两个神经元的值了，比较大小是不是就能得到分类。
神经网络复杂在哪里呢？像上面提到的权值w，神经网络如何优化这些参数，使其达到我们想实现的功能，是神经网络最复杂的地方，有兴趣可以继续了解。
AI深度学习求索
刚好手头有一本《神经网络与深度学习》，在对神经网络的定义上作者是这么说的“神经网络，是机器学习的一个分支，学名应该叫人工神经网络，与之相对应的是生物神经网络(Biological Neural Networks，BNN)，我们将模拟生物神经网络的数学模型统称为人工神经网络模型，简称人工神经网络或神经网络”。
从这个定义看，神经网络就是模拟生物神经网络的数学模型。作者说“生物神经网络一般指生物的大脑神经元、细胞、触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动”。
这本书的第二章《构造神经网络》，作者介绍了怎样构造神经网络。作者从怎样先构造神经网络的基本单位——神经元说起，再到怎样构造一个神经网络。从对设计神经元的介绍看，就是对生物神经元的模拟，有“神经元的输入部分(树突)、处理部分(细胞体)和输出部分(轴突)”。
作者在回顾神经网络历史的章节中还说到了对控制论影响深远的一篇文章，按他讲话就是“控制论的思想源泉之一”——《神经活动中思想内在性的逻辑演算》。
从这些都可以看到人工神经网络就是人类对生物神经网络的学习和模拟。在书中作者提到了“人工智能的终极目标”——类脑。作者说“如果我们知道了如何模拟一个大脑，那么我们能否模拟一个更强的脑，这个大脑是不是可以链接到人类世界所有的知识库去学习，并诞生几乎无的创造力？这就是类脑的作用”。他还引用了类脑计算研究中心学术委员会主任张钹院士说的“类脑计算比曼哈顿计划更有挑战性”。
从作者对类脑的介绍看，还有他说的对“第三类智能”的研究看，类脑人工智能会有一定的发展。
可是否能取代人类大脑，我觉得不可能。从现在来说，人类对大脑的探索也还只是前期阶段，不管现在说什么大脑里也存在量子纠缠，还是对大脑神经元的数量到底是八百亿还是一千亿，脑科学对大脑的研究还有特别大量的工作要做。可到底能对大脑有多少了解，能制造和人脑一样的大脑，都是未知数。
不能因为人工智能有了什么突破性的进展就说人工智能可以取代大脑，从目前看，还差得远呢。就算是波士顿动力的最新杰作也只是有所突破而已，虽然这个突破很大。
还有我一直以为人类社会所有的一切都是大脑指挥双手创造的，连人工智能都是，那说让人工智能取代大脑，这里是不是有什么逻辑上的问题？
而对现在来说，还是多从基础学科入手，向大脑好好学习。
大脑太奇妙了。
挂在明堂射古今
神经网络只是一种模仿人类大脑神经运作方式制作的复杂的人工智能算法，只是现阶段可能实现人工智能算法的一种实现形式而已。因为具备不同的层，每一层又拥有不通过数量的神经元，因此可以表达出复杂的非线性关系，从而在输入与输出之间构建数学关系。
不过目前来看，取代人类大脑还无法实现，毕竟AI的智力水平跟人类大脑还存在差别，神经网络的实际运行方式和人类大脑也不尽相同。如果神经网络无法实现实质性的突破的话，应该短时间之内还无法追上人脑。
