Python 神经收集是如许识别手写字符哒？

[好文分享：www.ii77.com]

[转载出处：www.ii77.com]

当谷歌的 AlphaGo 战胜了人类顶级棋手，人工智能起头更多进入公共视野。而谷歌 AI 教父认为：“AlphaGo 有直觉神经收集已接近大脑”。

千百年来，人类试图认识智能的机制，并将它复制到脑筋机械上。而从不知足于让机械或电子设备匡助做一些简洁的义务，例如，使用燧石打火，使用滑轮吊起繁重的岩石，使用较量器做算术。

相反，我们进展可以主动化执行更具有挑战性、相对复杂的义务，如对相似的照片进行分组、从健康细胞中识别出病变细胞，甚至是来一盘优雅的国际象棋博弈。这些义务似乎需要人类的智能才能完成，或至少需要人类脑筋中的某种更深条理、更神秘的能力来完成，而在诸如较量器如许简洁的机械中是找不到这种能力的。

具有雷同人类智能的机械是一个如斯诱人且壮大的设法，我们的文化对它布满了幻想和惧怕，如斯坦利·库布里克导演的《2001: A Space Odyssey》中的 HAL 9000（拥有伟大的能力却最终给人类带来了威胁）、动作片中疯狂的“终结者（Terminator）”机械人以及电视剧《Knight Rider》中具有镇定个性的话匣子 KITT 汽车。

1997 年，国际象棋卫冕世界冠军、国际象棋特级巨匠加里·卡斯帕罗夫被 IBM“深蓝”较量机击败，我们在庆贺这一汗青性成就的同时，也担心计器智能的潜力。

我们如斯盼望智能机械，以至于一些人受到了诱惑，使用诳骗手段，例如，污名昭著的国际象棋机械 Turkey 仅仅是使用一小我隐藏在机柜内罢了！

在 20 世纪 50 年月，人工智能这门学科正式成立，此时，人类大志勃勃，对人工智能抱着非常乐观的立场。最初的成功，让人们看到了较量机能够进行简洁的博弈、证实定理，是以，一些人相信，在十年摆布的时间内，人类级其余人工智能将会显现。

然则，实践证实：成长人工智能难题重重，进展一度阻滞不前。20 世纪 70 年月，人们在学术界挑战人工智能的大志遭到了扑灭性的袭击。接下来，人们削减了人工智能研究经费，对人工智能的乐趣消散殆尽。机械那严寒的逻辑，绝对的 1 和 0，看起来似乎永远不克够实现仔细入微的、有机的，有时甚至恍惚的生物大脑脑筋过程。

在一段时间内，人类未能别具一格，扶摇直上，更进一步，将机械智能索求带出其既定轨迹。在此之后，研究人员灵光一现，测验经由复制生物大脑工作的机制，来构建人工大脑？真正的大脑具有神经元，而不是逻辑门。真正人脑具有更优雅更有机的推理，而不是严寒的、非黑即白的、绝对的传统算法。

蜜蜂或鸽子大脑的简洁性与其可以执行复杂义务的伟大反差，这一点开导了科学家。就是这零点几克的大脑，看起来就可以做很多事情，如导航、适应风向、识别食物和捕食者、快速地决意是斗争照样逃跑。目前的较量机拥有大量的廉价资源，可以模拟和改善这些大脑吗？一只蜜蜂大约有 950000 个神经元，今天的较量机，具有 G 比特和 T 比特的资源，可以示意得比蜜蜂更精良吗？

然则，若是使用传统的方式来求解问题，那么即使较量机拥有伟大的存储和超快的处理器，也无法实现鸟和蜜蜂使用相对微小的大脑所做的事情。受到仿生智能较量的驱动，神经收集（Netural Network）显现了，而且神经收集此后成为在人工智能范畴中最壮大、最有效的方式之一。

今天，谷歌的 Deepmind 以神经收集为根蒂，可以做一些非常巧妙的事情，如让较量机进修若何玩视频游戏，而且在人类汗青上第一次在极其转变多端的围棋博弈中击败了世界级的巨匠。现在，神经收集已经成为了平常手艺的焦点，例如主动车商标码识别、解码手写的邮政编码。

《Python 神经收集编程》所商量的就是神经收集，让你认识神经收集若何工作，帮你建造出本身的神经收集，练习神经收集来识别人类的手写字符。若是使用传统的方式来执行这个义务，那么将是非常难题的。

神经收集是若何实现的

较量机的焦点部门就是较量器。这些较量器做算术非常快。对于执行与较量器相成家的义务而言，如对数字进行相加算出发卖 额、运用百分比算出税收、绘制现存数据的图表，这是很不错的。 

即使是在较量机上旁观收集电视节目或听流媒体的音乐，也只涉及一 次又一次地执行简洁的算术指令。在互联网上经由管道将 1 和 0 输送到较量机，重建视频帧，所使用的算术也不会比你在中学所做的加法运算复杂，这一点或许令你颇为惊异。 

较量机能够以相当快的速度，在 1 秒钟内进行 4 位数甚至 10 位数的相加，这或许给人留下了深刻的印象，然则这不是人工智能。人类或者发 现本身很难快速地进行加法运算，然而进行加法运算的过程不需要太多的 聪明。简洁说来，这只要求较量机拥有遵循根基指令的能力，而这恰是计 算机内的电子器件所做的事情。

如今，让我们转到事情的后头，翻开较量机的底牌。 让我们视察下面的图片，看看你能认出图片中包含哪些内容。 你和我都看到了人脸、猫和树的图片，并识别出了这些内容。

事实上， 我们能够以非常高的正确度快速地做到这一点。在这方面，我们平日不会失足。 我们能够处理图像中所包含的相当大量的信息，而且能够成功地识别图像中有哪些内容。但这种义务对较量机而言，并不是那么轻易，实际上，是相当难题的。

我们猜忌图像识别需要人类智能，而这是机械所缺乏的。无论我们造出的机械何等复杂和壮大，它们依然不是人类。然则，因为较量机速度非常快，而且不知疲倦，我们恰恰进展较量机能更好地进行求 解图像识别这类问题。人工智能所商量的一切问题就是解决这种类 型的难题。 

当然，较量机将永远使用电子器件制造，是以研究人工智能的义务就 是找到新方式或新算法，使用新的工作体式，测验求解这类相对难题的问题。即使较量机不克完美地解决这些问题，然则我们只要求较量机充沛超卓，给人们留下一种印象，让人感觉这是智能在起感化。

让我们先从构建超等简洁的机械起头。 想象一下，一台根基的机械，接管了一个问题，做了一些“思虑”， 并输出了一个谜底。与我们在上面的例子中进行的把持一般，我们从眼睛输入图片，使用大脑剖析场景，并得出在场景中有哪些物体的结论。 

下面就是这台机械看起来的模样。

记住，较量机不是真的思虑，它们只是获得包装的较量器，是以让我 们使用更得当的词语来形容这个过程。

一台较量机接管了一些输入，执行了一些较量，然后弹出输出。下列的内容具体解说了这一点。一台较量机对“3×4”的输入进行处理， 这种处理或许是将乘法运算转化为相对简洁的一组加法，然后弹出谜底 “12”。

你或者会想“这也没什么了不得的吧！”，没紧要。这里，我们使用简洁和熟悉的例子来引出此后我们将看到的更有趣的神经收集的概念。

让我们稍微增加一点复杂度。 试想一下将千米转化为英里的一台机械，如下所示。

如今想象一下，我们不知道千米和英里之间的转换公式。我们所知道的就是，两者之间的关系是线性的。这意味着，若是英里数加倍，那么透露沟通距离的千米数也是加倍的。这是非常直观的。若是这都不是真理， 那么这个宇宙就太让人匪夷所思了。

千米和英里之间的这种线性关系，为我们供应了这种神秘较量的线索， 即它的形式应该是“英里 =千米 ×C”，个中 C 为常数。如今，我们还不知道这个常数 C 是几多。

我们拥有的独一其他的线索是，一些准确的千米/英里成家的数值对示例。这些示例就像用来验证科学理论的实际世界视察实验一般， 显露了世界的真实情形。

我们应该做些什么，才能较量出缺失的常数 C 呢？我们信手拈来一 个随机的数值，让机械试一试！让我们试着使用 C = 0.5，看看会发生什么情形。

这里，我们令：英里=千米 ×C，个中千米为 100，当前，我们猜测 C 为 0.5。

这台机械获得 50 英里的谜底。 嗯，鉴于我们随机选择了 C = 0.5，这种示意还算不错。然则，编号为 2 的真实示例敷陈我们，谜底应该是 62.137，是以我们知道这是禁绝 确的。 我们少了 12.137。这是较量究竟与我们列出的示例真实值之间的差值，是误差。即： 

误差值 = 真实值 - 较量值 　　　

 = 62.137-50 　　

= 12.137

下一步，我们将做些什么呢？我们知道错了，而且知道差了几多。我们无需对这种误差感应失望，我们能够使用这个误差，指导我们获得第二个、更好的 C 的猜测值。 

再看看这个误差值。我们少了 12.137。因为千米转换为英里的公式是线性的，即英里= 千米 ×C，是以我们知道，增加C 就能够增加 输出。 

让我们将 C 从 0.5 稍微增加到 0.6，视察会发生什么情形。 如今，因为将 C 设置为 0.6，我们获得了英里 = 千米 ×C = 100×0.6 = 60，这个谜底比先前 50 的谜底更好。我们取得了显着的提高。 

如今，误差值变得更小了，为2.137。这个数值甚至或者是我们很乐于接管的一个误差值。

这里，很主要的一点是，我们使用误差值的巨细指导若何改变 C 的值。我们进展输出值从 50 增大一些，是以我们稍微增加了 C 的值。 

我们不必测验使用代数法较量出 C 需要改变切实切量，让我们持续使用这种方式改善 C 值。若是你还不克被我说服，照样认为较量出切实的谜底才够简洁，那么，请记住，更多有趣的问题是没有一个简洁的数学公式将输出和输入关系起来的。这就是我们需要诸如神经收集如许相对成熟而复杂的方式的原因。 

让我们再次反复这个过程。输出值 60 照样太小了。我们再次微调 C， 将其从 0.6 调到 0.7。

糟糕！矫枉过正，究竟跨越了已知的准确谜底。先前的误差值为 2.137，如今的误差值为 -7.863。这个负号敷陈我们，我们不是不足，而是超调了。请记住上面的公式，误差值等于真实值减去较量值。 

如斯说来，C = 0.6 比 C = 0.7 好得多。我们能够就此竣事这个演习，欣然接管 C = 0.6 带来的小小误差。然则，让我持续向前走一小段距离。 我们为什么不使用一个较小的量，微调 C，将 C 从 0.6 调到 0.61 呢？

这比先前获得的谜底要好得多。我们获得输出值 61，比起准确谜底 62.137，这只差了 1.137。

是以，最后的此次测验敷陈我们，应该适度调整 C 值。若是输出 值越来越接近准确谜底，即误差值越来越小，那么我们就不要做那么大的调整。使用这种体式，我们就能够避免像先前那样获得超调的究竟。

同样，读者无需为若何使用切实的体式算出 C 值而分心，请持续存眷这种持续细化误差值的设法，我们建议将批改值取为误差值的百分比。直觉上，这是准确的：大误差意味着需要大的批改值，小误差意味着我们只需要小小地微调 C 的值。

无论你是否相信，我们方才所做的，就是走马观花地浏览了一遍神经收集中进修的焦点过程。我们练习机械，使其输出值越来越接近准确的 谜底。

这值得读者停下来，思虑一下这种方式，我们并未像在学校里求解数学和科学问题时所做的一般一步到位，正确求解问题。相反，我们测验获得一个谜底，并多次改善谜底，这是一种非常分歧的方式。一些人将这种方式称为迭代，意思是持续地、一点一点地改善谜底。

因为上述的简洁机械接管了一个输入，并做出应有的展望，输出究竟，所以我们将其称为展望器。我们凭据究竟与已知真实示例进行对照所获得的误差，调整内部参数，使展望加倍正确。 如今，我们来看看测量获得的花圃中小虫子的宽度和长度。

在上图中，你能够清楚地看到两群小虫。毛虫细而长，瓢虫宽而短。 你还记得给定千米数，展望器试图找出准确的英里数这个示例吗？这台展望器的焦点有一个可调节的线性函数。当你绘制输入输出的关系图时，线性函数输出的是直线。可调参数Ｃ 改变了直线的 斜率。

若是我们在这幅图上画上一条直线，会发生什么情形呢？ 固然我们不克使用先前将千米数转换成英里数时的同样体式，然则我们或许能够使用直线将分歧性质的事物分隔。

在上图中，若是直线能够将毛虫与瓢虫划分隔来，那么这条直线就能够凭据测量值对未知小虫进行分类。因为有一半的毛虫与瓢虫在分边界的统一侧，是以上述的直线并没有做到这一点。 让我们再次调整斜率，测验分歧的直线，看看会发生什么情形。 这一次，这条直线真是一无可取！它基本没有将两种小虫区分隔来。 让我们再试一次：

这条直线多少了！这条直线整洁地将瓢虫与毛虫区分隔来了。如今， 我们能够用这条直线作为小虫的分类器。 我们假设没有未经发现的其他类型的小虫，如今来说，如许假设是没有问题的，因为我们只是进展解说构建一台简洁的分类器的思路。

设想一下，下一次，较量机使用机械手臂抓起一只新的小虫，测量其宽 度和长度，然后它能够使用上面的分边界，将小虫准确归类为毛虫或瓢虫。看看下图，你能够看到未知的小虫位于直线之上，是以这是一条毛虫。这种分类非常简洁，然则非常壮大！

我们已经看到了，在简洁的展望器中，若何使用线性函数对先前未知 的数据进行分类。 然则，我们忽略了一个至关主要的身分。我们若何获得准确的斜率 呢？我们若何改善不克很好划分这两种小虫的分边界呢？ 这个问题的谜底处于神经收集进修的焦点地带。让我们来看《Python 神经收集编程》——

阅读原文 | 立刻下单！