從拿起蘋果這件事，講人工神經網路

人工神經網路是人工智慧重要的組成部分，今天就用最易懂的例子給大家講解人工神經網路。人工神經網路是人類透過不斷的觀察自然界的規律發現的，以生物學以及高等資料作為依據推理出人工神經網路的基本原理。

先透過一個例子來引入我們今天的話題，想象下當你坐在桌子前，桌子上面擺著一個蘋果你用手去拿起這個蘋果。

首先我們透過生物學的角度來描述這件場景。人的行為和舉動都是透過大腦掌控的，在感知到外來元素的刺激後，感知器官會將這些感覺和資訊透過輸入神經將資訊傳遞給大腦，再有大腦進行思考後作出相應的反應指令，透過輸出神經傳遞給相關行動器官，相關肢體和器官也就產生了動作。也就是當你要拿起這個蘋果之前，你首先透過視覺去收集這個蘋果的位置、大約重量等資訊，講這些資訊彙總後傳遞給大腦，大腦會根據你反饋的資訊，將下一步的行動指令反饋給手，讓手伸多遠，用多大的力氣去拿起蘋果。透過這個描述你會發現原來人腦處理事務的過程也是一個“機械化”的流程，所謂的人工神經網路模型也正是根據這個流程設計出來的。在人工神經網路中，計算機的中樞處理器也就相當於人的大腦，硬體的感測器是人類的感知器官，自動化儀器是人類的肢體器官，資料傳輸系統相當於人腦與各器官互動的輸入輸出神經。雖然有了這些相應的系統，整個的系統還要對各種情況做出相應的邏輯處理。

其次，從數學角度再描述下這個場景。

如圖所示x1到xm是外界輸入的向量，他們的集合效果由入參矩陣表示。weightvalue代表權值的引數，由於每個外界的入參對結果產生的效果不同，所以透過權重來修正，轉換為電腦可以識別的加權後集合，這些權值是透過資料標註和機器學習來不斷完善的，最後在行為操作識別函式的運算下得到最終的輸出結果。還是落實到咱們蘋果的例子中去，透過現有技術我們可以得到到達蘋果的距離x1、蘋果的大小x2等等，去除相關感測回來的資訊誤差，根據大資料得出蘋果的重量範圍區間，從而控制拿起的力度，透過一系列的邏輯判斷給機器反饋輸出的結果數值。

透過如上所述的一些原理，我們可以拿起這個蘋果。我們不光要拿起這個蘋果而且要像人類一樣一次比一次拿的更穩、更準確，所以我們要做的就是透過積累經驗不斷學習減少誤差。其實減少誤差就是讓我們傳入的引數更準確調整權重。

這就引出了BP神經網路（非本章重點只做瞭解），它的基本原理就是“誤差的反向傳播”。剛剛我們的流程收集資訊、清洗處理資訊、邏輯處理、輸出結果，BP神經網路是反向的，它透過驗證輸出的結果和預期結果的匹配度，來總結這次“任務”的完成情況，透過完成的準確率來不斷調整權重，讓最後的結果更滿意。