按照固有思維方式，人們總以為人工智能是一個莫測高深的行業，這個行業的人都是高智商人群，無論是寫文章還是和人講話，總是諱莫如深，接著就是蹦出一些“高級”詞匯，什么“神經網路”，什么“卷積神經”之類，教人半懂不懂的，尤其ChatGPT的風靡一時，更加“神話”了這個行業，用魯迅先生形容諸葛武侯的話來講：“多智而近妖”，
事實上，根據二八定理，和別的行業一樣，人工智能行業內真正頂尖的天才也就是20%，他們具備真正的行業顛覆能力，可以搞出像ChatGPT這種“工業革命”級別的產品，而剩下的80%也不過就是普通人，每天的作業和我們這些人一樣，枯燥且乏味，而之所以會出現類似“行業壁壘”的現象，是因為這個行業的“黑話”太多了，導致一般人聽不懂，所謂“黑話”可以理解為行業術語，搞清楚了這些所謂的行業術語，你會發現，所謂的“人工智能”，不過也就是個“套路活兒”，
本次我們試圖使用“白話文”來描摹人工智能機器學習的底層邏輯，并且通過Golang1.18來實作人造神經元的原理，
人造神經元 Neural
現在業內比較流行的，比如Transformer模型、GPT模型、深度學習、強化學習、卷積神經網路等等，無論聽起來多么高端大氣上檔次，說出大天去，它也是神經網路架構，換句話說它們的底層都一樣，類比的話，就像汽車行業，無論是汽油驅動還是電驅動、三缸發動機還是六缸發動機、單電機還是雙電機，混合動力還是插混動力，無論汽車主機廠怎么吹牛逼，無論車評人怎么瘋狂恰飯，廠商造出來的車最侄訓是一個最基本的汽車架構，說白了就是一個底盤四個輪兒，你再牛逼，你也逃不出這個基本架構，
所以說，機器學習的基本架構是神經網路架構，神經網路由大量的人工神經元組成，它們聯結之后就可以進行所謂的“機器學習”，所以，必須搞清楚什么是神經元，才能弄懂神經網路，
神經元是神經網路架構中最微小的單位，也是最小的可訓練單位，一個基本的神經元結構是下面這樣的：
毋庸諱言，大多數人看見這個基本上都會瞬間放棄，數學公式簡直就是開發界的洪水猛獸，其勸退能力堪比艾爾登法環中的大樹守衛，我們的機器學習之旅還沒開始，就已經結束了，
那么我們把這個玩意兒翻譯成大多數人能看懂的樣子：f( sum( x*w) + b )
x代表輸入的資料，w代表權重，sum代表求和，b代表偏差，f代表激活函式，最后這個公式運行的結果，就是機器學習的結果，
簡單往里頭套點資料，比如我希望機器學習的結果是10，那么，x、w、和b分別應該是什么才能讓結果變為10呢？如果 x=2 w=4 b = 2 就是我們想要的結果，這也就是最基本的線性回歸，我們只處理一個維度的資料，因為結果已經顯而易見了，我們已經不需要機器學習了，因為靠猜也能猜出來結果是什么，
但是生產環境中，x并非是單維度，而是多維度的，比如x1、x2、x3.....組成的矩陣，但無論是多維度還是單維度，計算公式用的還是一樣的，每一個x對應一個權重w，所以是xn*wn，
說白了，x就是一個多維特征，類比的話，假如我們想讓電腦智能識圖，比如識別一只貓，那么x就是貓的特征，比如形態、顏色、眼睛、叫聲等等，作為多維度的輸入特征x，喂給電腦，讓電腦給出識別結果，這就是簡單的機器學習處理分類問題，
這里需要注意的是，x作為特征引數，并不是越多越好，而是特征越明顯越好，舉個例子，你想讓AI去識別魯迅的文章，那提供的特征最好應該具備魯迅文章的特點，而不是全量輸入，因為魯迅就算再“魯迅”，他寫的文字也會和別人重復，也就是說并不是每句話都是他獨有的，如果把他所有的文章都喂給電腦，可能就會產生“噪聲”，影響機器學習的結果，
另外應該知道的是，x引數特征并不是我們認為的單詞或者漢字，而是一串單精度區間在0-1之間的浮點數字，也就是所謂的“向量”，因為只有數字才能套著神經元公式進行計算，
所以所有的文本特征在進行神經元計算之前，必須通過一些方法進行“向量化”操作，說白了就是把漢字轉化為數字，就這么簡單，
另外這也就證明了，電腦真的沒有思想，它不理解什么是貓，或者誰是魯迅，它就是在進行計算，而已，
隨后是w，w指的是權重，權重是指神經元接收到的輸入值的重要性，這些輸入值通過乘以對應的權重，被加權求和作為神經元的輸入，權重值越大，表示該輸入在神經元的輸出中所占的比重越大，說白了，貓的所有特征的權重并不是統一的，比如黑夜里突然一個東西跳了出來，你怎么判斷它是什么物種？很明顯，一聲“喵嗚”我們就可以立刻斷定這是一只貓，所以叫聲特征的權重一定大于其他特征的權重，
最后是b，也就是偏差(bias)，偏差通常是一個實數，與神經元的權重一樣，也是通過訓練神經網路而調整的引數，偏差的作用是在神經元的輸入上增加一個常量，以調整神經元的激活閾值，如果沒有偏差，那么神經元的激活函式將僅僅取決于加權和的值，而無法產生任何偏移，
說白了，b就是讓x * w的值更活一點，讓它不是“死”的數，
最后說說f 也就是激活函式，激活函式通常具有非線性的特性，這使得神經網路能夠擬合非線性的復雜函式，從而提高其性能和準確度，
說白了，如果沒有激活函式，我們的權重計算就是“線性”的，什么叫線性？如果把x特征從1開始輸入，一直到100，然后將計算結果繪制成圖：
我們會發現計算結果是一根直線，這顯然不符合客觀規律，更符合生物特征的形態應該是“曲線”，所以說白了，激活函式f的作用就是把“直線”變成“曲線”，
最后，我們把神經元公式改造成方便我們理解的形式：期望結果 = 激活函式( 求和(特征 * 權重) + 偏差 )，
如果用代碼實作這個公式：
func neuron(inputs []float64, weights []float64, bias float64) float64 {
if len(inputs) != len(weights) {
panic("inputs and weights must have the same length")
}
sum := bias
for i := 0; i < len(inputs); i++ {
sum += inputs[i] * weights[i]
}
return sum
}
這個函式接收兩個長度相同的浮點數陣列 inputs 和 weights，以及一個偏置值 bias，它通過將每個輸入值乘以其對應的權重，加上偏置值，得到神經元的加權和，最后，函式回傳這個加權和作為神經元的輸出值，
使用這個函式時，可以將輸入資料和權重作為引數傳遞給它，例如，假設我們有一個二分類問題，輸入資料有兩個特征：x1和x2，并且我們有一個包含兩個權重和一個偏置的神經元，那么可以這樣呼叫神經元公式：
inputs := []float64{x1, x2}
weights := []float64{w1, w2}
bias := b
output := neuron(inputs, weights, bias)
這里回傳神經元的輸出值，所以，誰說學習人工智能必須得用Python？我們就驕傲地使用Golang，
機器學習，到底怎么學習
機器學習的程序就是上文中神經元公式的使用程序，第一步收集所有的特征資料，然后進行權重分配，最后向量化操作，把文本資料轉換為計算機能計算的浮點數，隨后加權求和，之后加一個偏差(bias)，最后過一下激活函式，最終得到一個期望結果，就完事了，
難嗎？不難，普通人連猜帶蒙也能做，
但事實上，這只是原理，也就是最基本的東西，一般人都能掌握，比如打籃球，規則非常簡單，核心就是運球和投籃，無對抗下小學生也能瞬間掌握，但小學生沒法去打NBA級別的比賽，因為很多高端的籃球技術是構筑于運球和投籃的，需要經年累月的練習和自身天賦的加成，所以全世界能打NBA的就那么幾百人，而已，
同理，機器學習的程序也并非如此簡單，通過特征輸入，經過神經元公式，得到的結果真的一定是我們所期望的結果嗎？
其實未必，機器學習還包括兩個極其重要的概念：前向傳播和反向傳播，
前向傳播是指將輸入資料從神經網路的輸入層傳遞到輸出層的程序，在前向傳播程序中，輸入資料通過神經網路的每一層，每個神經元都會對其進行一定的加權和激活函式計算，最終得到輸出層的輸出值，這個程序也被稱為“正向傳播”，因為資料是從輸入層依次向前傳播到輸出層，
反向傳播是指在前向傳播之后，計算神經網路誤差并將誤差反向傳播到各層神經元中進行引數（包括權重和偏置）的更新，在反向傳播程序中，首先需要計算網路的誤差，然后通過鏈式法則將誤差反向傳播到各層神經元，以更新每個神經元的權重和偏置，這個程序也被稱為“反向梯度下降”，因為它是通過梯度下降演算法來更新神經網路引數的，
說白了，前向傳播就是由特征到結果的程序，反向傳播則是逆運算，用結果反推程序，
回到分類問題，我們輸入了貓的特征和特征權重，經過計算，結果未必是貓，可能是狗，或者是耗子，也可能是別的什么東西，但這不重要，重要的是我們需要拿到一個結果的誤差，這個誤差越小越好，而反向傳播就是幫我們推算誤差到底有多大的方法，
而誤差的大小就取決于特征的輸入，導致機器學習結果錯誤的根源是引數，此時，我們需要調整引數的輸入，從而減小誤差值，這也就是人工智能行業從業人員經常說的“調參”，
比如，我們期望結果是貓，結果計算機回傳狗，那么調整引數，結果回傳熊貓，那么就說明調大發了，繼續調整，直到計算機回傳結果：貓，
在 Golang1.18 中，可以通過以下代碼實作反向傳播：
func backpropagation(inputs []float64, targets []float64, network *Network, learningRate float64) {
// 1. 前向傳播，計算每個神經元的輸出值
outputs := feedforward(inputs, network)
// 2. 計算輸出層的誤差
outputErrors := make([]float64, len(outputs))
for i := range outputs {
outputErrors[i] = outputs[i] - targets[i]
}
// 3. 反向傳播誤差，計算每個神經元的誤差值
for i := len(network.layers) - 1; i >= 0; i-- {
layer := network.layers[i]
errors := make([]float64, len(layer.neurons))
// 3.1. 計算神經元的誤差值
if i == len(network.layers)-1 {
// 輸出層的誤差
for j := range layer.neurons {
errors[j] = outputErrors[j] * sigmoidPrime(layer.neurons[j].output)
}
} else {
// 隱藏層的誤差
for j := range layer.neurons {
errorSum := 0.0
nextLayer := network.layers[i+1]
for k := range nextLayer.neurons {
errorSum += nextLayer.neurons[k].weights[j] * nextLayer.neurons[k].error
}
errors[j] = errorSum * sigmoidPrime(layer.neurons[j].output)
}
}
// 3.2. 將誤差值保存到神經元中
for j := range layer.neurons {
layer.neurons[j].error = errors[j]
}
}
// 4. 更新神經網路的權重和偏置
for i := range network.layers {
layer := network.layers[i]
// 4.1. 更新權重
for j := range layer.neurons {
for k := range layer.neurons[j].weights {
if i == 0 {
// 輸入層的權重
layer.neurons[j].weights[k] -= learningRate * layer.neurons[j].error * inputs[k]
} else {
// 隱藏層和輸出層的權重
prevLayer := network.layers[i-1]
layer.neurons[j].weights[k] -= learningRate * layer.neurons[j].error * prevLayer.neurons[k].output
}
}
// 4.2. 更新偏置
layer.neurons[j].bias -= learningRate * layer.neurons[j].error
}
}
}
這個函式接收輸入資料 inputs、目標資料 targets、神經網路 network 以及學習率 learningRate 作為引數，它首先呼叫 feedforward 函式進行前向傳播，計算每個神經元的輸出值，然后，它計算輸出層的誤差，通過誤差反向傳播，計算每個神經元的誤差值，并將其保存到神經元中，
接下來，函式根據誤差值和學習率更新神經網路的權重和偏置，在更新權重時，需要根據神經元所在的層來選擇更新的權重型別（輸入層、隱藏層或輸出層），然后根據誤差值和輸入資料或上一層神經元的輸出值來更新權重，在更新偏置時，只需要根據誤差值和學習率來更新即可，
總的來說，這個函式實作了反向傳播的所有步驟，可以用于訓練神經網路并提高其準確度和性能，
結語
大道不過三倆句，說破不值半文錢，所謂人工智能機器學習就這么回事，沒必要神話，也無須貶低，類比的話，就像餐飲行業的廚師崗，所謂做菜，底層原理是什么？就是食材和火候，掌握了做菜的底層原理，就能做出好菜，其他的，比如刀工、顏色等等，不過就是錦上添花的東西，而已，
所以機器學習就是做菜，做出來的東西可能不盡如人意，就得不停地調整食材的搭配和火候的大小，所謂機器學習的最重要技巧，其實是特征的提取以及引數的調整，所謂大道至簡，殊途同歸，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/548243.html
標籤：其他
上一篇：做個清醒的程式員之成為少數派