目前人工智能中所謂的學習，其實都是想將現實世界進行數據化，通過數學模型，從數據中獲取模式的某種表示。而“神經網絡”是人工智能學科中被給予最大期望的一種學習方法，因為神經網絡，是目前最接近生物智能的一種模擬。生物的智能是通過生物神經網絡來進行實現的，那麼人工神經網絡是否可以通過模擬生物智能，在聯網的加持下，突破若人工智能，跨入強人工智能甚至是，超人工智能呢？
人工神經網絡
一、生物神經元
如下圖所示，為生物神經網絡的介紹。這裡邊有一個非常重點的點“突觸”，生物神經元在進行脈衝信號傳遞時，並不是多大強度的信號都進行傳遞的，突觸會判斷脈衝信息是否達到“閾值”（人工神經元中的偏置）
人工神經網絡結構
生物神經網絡
二、人工神經元
如下圖所示，的人工神經元是人工神經網絡的最小單元。由狀態變量（xi）、連接權係數(W-ij）、神經元單元的偏置、激勵函數f（.）組成，嚴格來說人工神經元也是一種有向圖。
一般神經元模型
如下圖所示，由於神經元的激勵函數不同，主要分為以下3種比較常見的神經元：分別由二值函數、Sigmoid函數、雙曲線正切函數，作為神經元的激勵函數。
不同神經元的激勵函數
三、人工神經網絡
目前已經被提出的人工神經網絡模型，有數十種，按不同維度可進行如下劃分，其中比較常用的分類方式是前2種：
- 按網絡結構劃分：遞歸（反饋）網絡、前饋網絡
- 按學習方式劃分：有監督學習、無監督學習、強化學習
- 按信息類型劃分：連續型網絡、離散型網絡；
- 按信息處理方式劃分：確定性網絡、隨機性網絡；
遞歸網絡：多個神經元互相連接組織一個互連神經網絡。神經元的輸出被反饋至同層或前層神經元。信號能夠從正向和反向流通；
前饋網絡：具有階梯分層結構，從輸入層至輸出層的信號通過單向連接流通。神經元從一層連接至下一層，不存在同層神經元間連接。如：多層感知器、學習矢量量化網絡、CMAC網絡等。
有/無監督學習：按輸入的數據是否有標籤來進行劃分，有監督學習需要知道期望輸出並和輸入的標籤進行比較來初步評估模型，無監督學習不需要知道期望輸出，自動適應連接權，按相似特徵分組自動劃分輸出；
強化學習：是有監督學習的特例，能夠與環境進行互動，通過激勵函數來調節連接權值。
閱讀更多 長弓PM 的文章
