PMP 小鸟项目回忆录—神经网络算法&启示
Posted 大书绝版煎焦回锅肉
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了PMP 小鸟项目回忆录—神经网络算法&启示相关的知识，希望对你有一定的参考价值。
神经网络算法&启示
肯扬
THE BEAUTY
OF PROJECT
项目往前走，有意思的发现徐徐多了起来， IBM 的同志告知，现在的趋势是ABCD， AI ,Big Data, Cloud ,渗透各行各业，手头的项目也进入深水区。前方一片蓝海，于是和大牛算法专家请教，吹水，懵逼烧脑之后，也有些理解。简单的刻画一篇文章，试试深浅，就当是民科吧。
人工智能的项目预计能写好多集， 现在跑在最前面， 也没有什么章法，边做边写， 这里也当做一面镜子。
1：什么是神经网络？
神经网络是机器学习的里面的一个学习方法的基本结构。
神经网络+策略 组合之后行业一般叫做神经网络算法，也是现在大热的方法。
具体的关系如下：
人工智能包含了机器学习，机器里面包含了深度学习，深度学习的一个方法是神经网络算法。
2：机器学习（ Machine Learning ） 有什么用处？
学习机的应用，可以用来做 视觉识别，辨认图像，最近用的最多的，人脸识别（火车站， 酒店）
另外识别语音（语音输入法），识别文字，等都是他的应用；
THE BEAUTY
OF PROJECT
3：学习机的内涵是什么？
学习机本质上是一个数学函数+统计归纳 ， 函数的构造依据过往的经验，数据拼凑（拟合）出来的， 再用这个函数预测未知。 总的来说输入X 得到Y。Y 验证后是可信的，经得起统计的检验。
学习机是和统计有千丝万缕的联系，主要是归纳总结， 只要求结果好用，不一定完全的精确。
这和人类的经验类似，没有严格的因果， 不确保十拿九稳，拼凑出来，够用就好。
一命二运三风水，四积阴德五读书。 六名七相八敬神，九交贵人十养生，这些组合在一起，你能看出什么严格的因果？
4：神经网络算法为什么可以做一个学习机？
这是模拟人脑的学习概念来建立的模型，和诸多的设计学习生物一致。
我们自身的学习过程，包含输入各种过往的知识和经验，获得对常识，经验的判断，形成一个认知系统，再通过这个认知系统来观察未知的世界。 经文里面也写过 色--受---想---形---识， 一套循环往复的认知过程。
那么我么学习的局限在哪呢？
1： 知识的存取效率；
2： 计算的速度；
3： 情感大脑的影响（疲惫，焦虑，恐惧，兴奋）；
4：其它等等；
导致我们不能长时间的， 高效的处理学习。由此演化的机器学习能够弥补缺陷。
那么能否通过机器来模拟我们的认知体系呢？ 处理未知？
答案是Yes 。
最直观的建造方法是模拟人类的神经元，构建类似人脑的网络。
-----------------------------------------------------------------------------
THE BEAUTY
OF PROJECT
构建这样的一个网络需要三个步骤。
1：找到构建的最基本结构----神经元；
2：将最基本结构组合成一个特定的大结构----神经网络（存储，传递信息）；
3：在大结构上建立策略，实现功能----神经网络算法（辨别，预测未知）；
神经元如下图所示，生物学的各路大神应该解释的更清楚， 抽象到数学上简而言之，一个神经元节点， 收到N个其他节点的输入，每个输入有不同的权重， 所有的输入汇总，按照权重叠加，超过当前神经元阈值的，产生输出，否则没有输出。
输出与否其实依赖一个激发函数。
具体长得如下样子， 不多解释了， 需要多了解的去网上查吧，民科不含太多数学内容， 本文的数学相关的内容到此为止， 下面开始讲经。
接下来是把这些神经元组合成网络，在不同层次的游戏规则是不一样的， 人类社会，自然科学都遵循这个道理。
神经网络的组合模型如下
左边输入层， 右边输出层， 中间是隐藏层， 超过3层的称为多层神经网络。
层数越多+节点越多存储的信息量越多，意味着这个网络可以使识别的模式越多。排列组合去算吧，可以多种组合，理论上足以穷尽每一粒沙子。
简单来说，就是分解与整合， 但是技术难度也都在如何分解与如何整合之中。
在著名的Hubel-Wiesel试验中，学者们研究猫的视觉分析机理是这样的。
Hubel-Wiesel试验与大脑视觉机理
一个正方形，分解为四个折线进入视觉处理的下一层中。
四个神经元分别处理一个折线。
每个折线再继续被分解为两条直线，每条直线再被分解为黑白两个面。
于是，一个复杂的图像变成了大量的细节进入神经元，神经元处理以后再逆向进行整合，最后得出了看到的是正方形的结论。
这是一个完整的先拆分，再结合的的神经网络工作的机理。
1：图像的分解有多种方法，有按照像素直接来拆分的， 有按照切片通过卷积的方式来拆分的， 这都属于专业内容， 本文不再讨论。
2：关于图像合成后的判断，这里有一个前提，以识别正方形为例， 在能够判定是正方形之前， 应该有一组不同版本的正方形先进行输入，训练这个网络，抽象出判断是正方形的判断特征。
所以技术的难题在这两个方面，
神经网络是贯穿分解与合成的通道。
7：神经网络最终的判断是如何形成的？
下面讲两个回归，线性回归&逻辑回归。
线性回归: 拟合一条线， 预测数值。一般可以用来预测走势数值
逻辑回归: 用于分类， 这里和统计分类重合度很高， 比如下图的关于肿瘤的预测，两个相关因素， 年龄和体积， 相关， 在象限中可以拟合一条直线，划分良性和恶性肿瘤，再基于此新出现的病例可以预测是良性还是恶性。
这里的预测还有一个成功率的问题， 在后面的文章中会讨论如何衡量一个预测算法是否是最有效的， 当然用的还是统计的知识体系。
神经网络算法搭建完毕之后，多用作逻辑回归的判定。类似，这个人是不是你本人，前方的障碍物是行人还是墙壁，等等。
8：启示录---神经网络算法
以下为作者自说自话
1：量大才是真---若有足够的场景来训练我们的神经网络， 可以提升我们预测未来新事物的准确性。
在诸多的可能性中， 最好的一种便是一开始你已经Well Train 了，孔子还对这类人打过标签，“生而知之者”， 拿着神经网络预测各种不同的新鲜事物， 无往而不利， 有点孔明的味道。
另外一大波，差不多就没有好运道了， 统称钝胎， 这其中无非是五十步笑百步。在剩下的时间长河之中，需要的事不断的在实际场景中调整算法， 以应对不同的Case，毕竟唯一不变的是变化。 那么还需要有足够的多的场景帮你验证有“瑕疵”的神经网络，贝叶斯大爷说的后验概率，调整系数 闪亮登场。
以工作为例， 多尝试不同职位，在不同的岗位之间切换， 在不同的行业之间切换， 在不同的项目中切换， 有助于你建立更加优质的神经网络，结果是你做出来的项目更加的符合干系人期望。当然和不同的人交往， 行遍万水千山，破万卷书也有帮助。在人生幸福上，从某个角度也鼓励各位青年才俊，多交男女朋友，多约一约， 作为输入打磨自己的算法。当然凡是都有风险，本文先不讨论这些。
2：无反馈不调整---BP 神经网络是最常用的神经网络算法，这个算法要求当预测结果和实际不一致的时候， 回去调整神经网络中某层某节点的输入权重以及激发函数，然后再来检测结果。观照到我们自身，无非是一个反思的过程， 不停的反思，调节过往的认知，再达到和实际相接近的结果。孔子说每日三省吾身，实际是在调整自己神经网络的参数， 以应对不断变化的外部环境，诞生新的策略以便行动，这才是真正的智慧。
3：万物皆有边界：------网络的容量不是无限的， 当然有其边界。超出边界行事，不可测，可能好可能坏，谁知道呢？不过日常经验告诉我们，多半没什么好事，FEMA 中会说超出设计的边界后， 会失效失灵。基于此 并不能路行的越多越好， 书读的越多越好，每个人的系统都不一样， 量力而行，超出边界的东西会溢出， 脑袋爆掉有点夸张， 头晕目眩总是免不了的。
4：抹不掉的痕迹------ 凡事皆有代价， 既定形成的神经网络想要调整，需要有事件来Trigger后产生了重要的反馈后再反思进入第一次调整， 再Trigge形成r反馈， 再调整， 这个过程到最后形成定式可能需要多次。远没有一开始刻画输入来的便捷。每一次的调整都会留下痕迹， 若大的神经网络改到完全没有原来初始的痕迹是不可能的，暗含的意思在于，即便在意识中我们已经忘却了过往发生的种种事情，在潜意识中， 在神经网络的边边角角中还有存在， 好的，坏的，都在，一直都在， 午夜梦回之时或在某个激发的时刻，总会时光回朔，触景生情。
5: 谁能永不放弃----- 最后生物神经毕竟不是硅造生命，想改便改，也没有那么坚固可以多次改变。每逢大变，都会改造既有的网络， 一次两次也就罢了， 屡遭变迁的人精神多少有些问题，神经可经不起反复的折腾。你可以创业个三五次， 但禁不起两位数的折腾，这些就不赘言了， 心里明白便好，对成功学之流多一些约束。
文字 / 肯扬
吹水 / 绝版尖叫回锅肉
水磨大脑，胡吃海喝
以上是关于PMP 小鸟项目回忆录—神经网络算法&启示的主要内容，如果未能解决你的问题，请参考以下文章