關于感知器的故事：機器學習是如何發展到如今這一程度的呢？-有解無憂

全文共2614字，預計學習時長7分鐘

圖源：unsplash

人工智能如今已成為大街小巷的熱議話題，企業為了吸引客戶和目標用戶，在生產產品、提供方案時總會使用機器學習（ML）、深度學習（DL）等花哨的詞匯，但實際上，這些詞匯絕不僅是“噱頭”而已，

在過去數十年里，能夠解決實際問題的人工智能應用層出不窮，已經成為一種全球性的現象，像我這樣努力鉆研機器學習的人成百上千，Andrew Ng是我們的導師，他說道：“一百年前，電的發明改變了一切，而如今，我很難想象還有哪個行業在未來幾年內不會被人工智能改變，”

科技大廠了解科技發展的主流趨勢，且無法承擔技術落后的風險，所以他們都已適應了此次計算機革命，機器學習發展前景巨大，若你是一名開發人員，想要提高自己的技術水平，那建議你快開始學習它吧，

人工智能已經深刻改變了所有主要行業，人工智能與機器學習在醫療、神經科學、農業、安全、監控等領域的跨領域應用數不勝數，已經成為我們生活中不可或缺的一部分，但這一切是如何開始的呢？還要從幾十年前感知器剛被發明出來說起，

感知器的故事始于65年前，在開始講述這一故事之前，先簡單了解下“感知器”的定義：感知器既是一種簡易的生物神經元人工模型，也是一種用于監督學習的單層神經網路演算法，它由輸入值、權重和偏差以及一個激活函陣列成，

單個感知器裝置

不過本文中我們不討論技術細節，開始講故事吧，

感知器的興起

1957年1月，弗蘭克·羅森布拉特（Frank Rosenblatt）在位于紐約布法羅的康奈爾航空實驗室公司發明了感知器，它是神經網路的基本構件，這項發明是論文《感知器——一種感知和識別自動機》的研究結果，

韋氏詞典將自動機定義為：一種用來自動執行預定的操作序列或回應編碼指令的機器或控制機器，

這項研究歷時五年，旨在設計一個能夠學習復雜模式、模式感知和泛化的電子大腦模型，其背后的直覺在于建造一個具有類似人類功能的設備，如感知、形成概念、歸納經驗的能力、識別復雜的資訊模式以及辨別不同大小、形狀和方向的相似物體，

神經元細胞——由brgfx工具創建的背景矢量圖 | 圖源：freepik素材庫

然而，要執行上述操作，傳統的計算機系統需要存盤數千個甚至數百萬個模式，然后在需要時，再從這些模式中搜索識別出一個未知模式，這一步計算量非常之大，而且不是一個經濟的識別模式或物件的方法，

為了解決該問題，Frank Rosenblatt提出了一個系統，使其能夠根據生物大腦的原理作業，用概率方法代替確定性方法來識別模式之間的相似性，他的感知器模型由三大系統組成：

· 感官系統

· 互動系統

· 反映系統

每個系統都將進一步包含相互連接的單元，可以根據正在識別的模式打開或關閉這些連接，感官系統會接受輸入模式，互動系統會打開或關閉特定連接，反映系統會顯示輸出，

賦予感知器模型生命的定制硬體是Mark 1感知器，它主要是為影像識別而設計的，外表是一個黑色盒子，很像現在的神經網路，有輸入層、隱藏層和輸出層，

Mark I 感知器——康奈爾大學通訊社記錄，#4–3–15，康奈爾大學圖書館珍藏和手稿收藏處

反向傳播的出現

把時間往前倒推幾十年，1986年，Geoffrey Hinton提出了一項成果，這項成果推動了感知器的后續發展，

當時他提出了一種名為反向傳播的新型學習程式，后來成為現代神經網路模型的核心，這種技術通過調整神經網路模型的權值來減少實際值和期望值之間的差異，它能使神經網路學習或提取特征，概括輸入的模式或序列，從而對未見的資料表示做出相當準確的預測，

多層神經網路模型中的逆向傳播可視化圖片

從那時起，研究開始取得了很大進展，現在，我們有VGGNet、ResNet、Inception等模型，可以快速準確地對物體進行分類，而所有這些都是基于我們試圖模仿人類大腦的事實，

但問題是，我們是否已經了解大腦識別人們在日常生活中所見物體的作業原理？隨著時間的推移，神經科學研究人員正在假設大腦理論，幫助我們了解大腦的學習、感知和記憶模式，