由于深度学习的兴起，人工智能已成为全球科技界的焦点。计算机视觉和自然语言处理，这两个 AI 最重要和最有用的功能的根本进步，与人工神经网络的创建直接相关。
出于本文的目的，我们将人工神经网络简称为神经网络。但是，重要的是要知道计算机的深度学习技术是基于人类和其他动物的大脑的。
什么是神经网络？
科学家认为，生物的大脑通过使用生物神经网络来处理信息。人脑有多达 100 万亿个突触，神经元之间的间隙在被激活时会形成特定的模式。当一个人思考某件事、记住某件事或用他们的一种感官体验某件事时，人们认为特定的神经模式会在大脑内“发光”。
可以这样想：当你学习阅读时，你可能不得不把字母读出来，这样你才能大声听到它们，并引导你年轻的大脑得出结论。但是，一旦你把 “猫” 这个词读了足够多的次数，你就不必放慢速度和声音了。此时，您访问的大脑部分与记忆相关，而不是解决问题，因此会触发一组不同的突触，因为您已经训练了生物神经网络来识别“猫”这个词。
在深度学习领域，神经网络由一系列层表示，这些层的工作方式很像活体大脑的突触。我们知道，研究人员教计算机如何理解猫是什么，或者至少是猫的图片是什么，通过尽可能多地输入给它猫的图像。神经网络获取这些图像并尝试找出使它们相似的所有内容，以便它可以在其他图片中找到猫。
科学家们使用神经网络来教计算机如何为自己做事。以下是神经网络的一些示例：
- 该神经网络拍摄暗图像并使其清晰
- 这个分析核磁共振并显示你在想什么
- 这是一个扮演超级马里奥兄弟的人
- 和一个创建接送线的
- 最后，这个是自我复制的
如您所见，神经网络可以解决各种各样的问题。为了理解它们是如何工作的以及计算机是如何学习的，让我们仔细看看三种基本的神经网络。
有许多不同类型的深度学习和几种类型的神经网络，但我们将专注于生成对抗网络 (GAN)、卷积神经网络 (CNN) 和循环神经网络 (RNN)。
生成对抗网络（GAN）
首先，GAN。Ian Goodfellow 是谷歌的人工智能专家之一，他于 2014 年发明了 GAN。用外行的话来说，GAN 是一个神经网络，由两个争论的双方（一个生成器和一个对手）组成，它们相互争斗，直到生成器获胜。如果你想创建一个模仿艺术风格的人工智能，比如毕加索的，你可以给 GAN 喂一堆他的画。
网络的一方会尝试创建新的图像，以欺骗另一方认为它们是毕加索画的。基本上，人工智能会通过检查每幅图像的单个像素来了解有关毕加索作品的所有信息。它的一侧将开始创建图像，而另一侧将确定它是否是毕加索。一旦人工智能欺骗了自己，结果就可以被人类查看，他可以确定是否需要调整算法以提供更好的结果，或者它是否成功地模仿了所需的风格。
GAN 被用于各种各样的 AI，包括由 Nvidia 构建的这个惊人的 GAN，它可以凭空创造人。
卷积神经网络(CNN)
不要与新闻媒体CNN混淆，CNN 是卷积神经网络。这些网络，至少在理论上，自 1940 年代就已经存在，但由于先进的硬件和高效的算法，它们现在才变得有用。当 GAN 试图创造一些东西来愚弄对手时，CNN 有几个层，通过这些层将数据过滤成类别，这些主要用于图像识别和文本语言处理。
如果你有 10 亿小时的视频要筛选，你可以构建一个 CNN 来尝试检查每一帧并确定发生了什么。人们可能会通过向 CNN 提供已被人类标记的复杂图像来训练它。人工智能通过查看人类标记的图片，将图像中的像素与其理解的标签进行比较，然后将看到的所有内容组织到训练过的类别中，来学习识别诸如停车标志、汽车、树木和蝴蝶之类的东西。
CNN 是最常见和最强大的神经网络之一。研究人员将它们用于很多事情，甚至在诊断某些疾病方面表现优于医生。
循环神经网络(RNN)
最后，我们有了 RNN或循环神经网络。RNN 主要用于需要细微差别和上下文来理解其输入的 AI。这种神经网络的一个例子是解释人类语音的自然语言处理人工智能。只需看看 Google 的 Assistant 和 Amazon 的 Alexa 就可以看到 RNN 的一个示例。
为了理解 RNN 的工作原理，让我们想象一个 AI 可以根据人类输入生成原创音乐作品。如果你弹奏一个音符，AI 会尝试“幻觉”下一个音符“应该”是什么。如果你弹奏另一个音符，人工智能可以进一步预测歌曲的声音。每个上下文都为下一步提供信息，RNN 根据其持续输入不断更新自身，因此是名称的重复部分。
至少还有十几种其他类型的神经网络，这里介绍的三种神经网络比本文的范围要细致得多。但是，如果你已经做到了这一点，你应该对神经网络是什么以及它们的作用有一个对话式的理解。
原文链接：https://thenextweb.com/news/a-beginners-guide-to-ai-neural-networks
