最简单的深度学习算法最简单的深度学习算法——感知器的前世今生感知器的前世今生
写在前面
猛料不断,先有Boston动力的“仁义”机器人反恐演习,紧接着MIT的狗狗们在实验室的绿茵场上集体卖萌,让我们感慨强人工
智能离我们也许不远了。
作为快要秃头的我们,又该怎么看待这个快速变化的世界呢?在知识更新越来越快的现在,想要专注于当下似乎都变得艰难。
其实柳猫想要告诉大家,作为一个普通人,对各种信息越是了解的多,认识的越是浅薄,为了增强自己的不可替代性,必须增
加自己专业的深度,从一而终。
今天,想跟大家分享一下最早也是最简单的一个机器学习模型:感知器~
感知器的诞生——从样本中学习
神经网络的AI先驱们一直依靠着神经元的绘图以及它们相互连接的方式,进行着艰难的摸索。康奈尔大学的弗兰克·罗森布拉
特是最早模仿人体自动图案识别视觉系统架构的人之一。
他发明了一种看似简单的网络感知器(perceptron),这种学习算法可以学习如何将图案进行分类,例如识别字母表中的不同
字母。算法是为了实现特定目标而按步骤执行的过程,就像烘焙蛋糕的食谱一样。
如果我们了解了感知器如何学习图案识别的基本原则,那么在理解深度学习工作原理的路上已经成功了一半。感知器的目标是
确定输入的图案是否属于图像中的某一类别(比如猫)。
上图解释了感知器的输入如何通过一组权重,来实现输入单元到输出单元的转换。权重是对每一次输入对输出单元做出的最终
决定所产生影响的度量,但是我们如何找到一组可以将输入进行正确分类的权重呢?
解决这个问题的传统方法,是根据分析或特定程序来手动设定权重。这需要耗费大量人力,而且往往依赖于直觉和工程方法。
另一种方法则是使用一种从样本中学习的自动过程,和我们认识世界上的对象的方法一样。需要很多样本来训练感知器,包括
不属于该类别的反面样本,特别是和目标特征相似的,例如,如果识别目标是猫,那么狗就是一个相似的反面样本。这些样本
被逐个传递给感知器,如果出现分类错误,算法就会自动对权重进行校正。
感知器具体算法
评论0