![企业级AI技术内幕:深度学习框架开发+机器学习案例实战+Alluxio解密](https://wfqqreader-1252317822.image.myqcloud.com/cover/212/36862212/b_36862212.jpg)
10.3 感知器解密
如图10-4所示,从神经网络的神经元本身来看,每个神经元有许多输入,感知器(Perceptron)和之前实现的Sigmoid等函数的神经元不太一样,从最原始的神经元的角度,正常的神经元会接收一些输入,做一些神经脉冲,然后有一个输出结果,在神经细胞间进行传递,从一个神经元依次传递到下一个神经元。在大脑中可能有上百万个神经细胞,大脑就是一台超级计算机,神经细胞通过神经元连接起来。一个神经元有很多输入,经过某种关系产生一个输出,这跟写普通的计算机程序没什么区别。
大脑通过视觉、触觉、味觉等感知到某个东西,神经元要做出决定,这个决定具体是怎么做出的?假设三种感觉视觉、味觉、触觉分别是x1、x2、x3,输入你的大脑,大脑就相当于一个很大的感知器,神经元根据输入做出相应的应激反应,应激反应就是输出结果。这里面有一个度的问题,跟感知系统最后感知到的综合结果有关,从不同的输入x1、x2、x3,最终达到一种临界值,超过这个临界值,就会发生相应的应激反应;没超过这个临界值,系统就不会做出反应。神经系统最终根据临界值得到最后的结果。
在图10-5中,类似于人的神经感知系统,计算机的感知系统进行综合判断时的w1、w2、w3是多少?假设人的神经感知系统中,把x1、x2、x3分别理解为视觉、味觉、触觉,那这几种不同的感知用于神经元做决定的重要性是否一样?可能在不同的生活场景是不一样的,假设这里的应激反应中,x3(触觉)占的重要性更大一些。从计算机的角度讲,对于不同的输入因素,将使用不同的权重来标记,这里假设味觉占的权重是0.1,视觉占的权重是0.5,触觉占的权重可能是0.9。
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P160_29561.jpg?sign=1738845753-1w9aRiGH4hLT8yKJAqRmEkIl2DoNgFuD-0-3f7042740b99f2546e05fd81bbd69d05)
图10-4 感知神经元
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P160_29582.jpg?sign=1738845753-n43sl48KesC4ZbLnbHjB25JxaIutzFp8-0-4e860e53a642329a2b28b20dd5be24a2)
图10-5 神经元
输出结果基于阈值(threshold),判断最终的结果如果小于等于阈值,就不做反应;判断最终的结果如果大于阈值,就做出应激反应。
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P160_130903.jpg?sign=1738845753-QJaSEspQeBWReBoU60J0uRTG9YSMGTdQ-0-3d7ba04f0607c566c01ce8188b68594d)
这里的是指权重与x分别相乘然后进行累加(x1×w1 + x2×w2 + x3×w3),累加的结果总和如果超过了阈值,则结果为1;如果没有超过阈值,则结果为0。
如图10-6所示,我们可以将上面的内容拓展,左边的输入层节点中分别是x1、x2、x3、x4、x5五个输入元素(也可以更多),元素本身乘以权重然后累加求和,得出一个结果,将结果与一个具体的阈值进行比较。这里先不要考虑Sigmoid函数等,我们带领大家从根源上一步一步研发,不跳过任何一个步骤。
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P161_29694.jpg?sign=1738845753-x6AbJt9vH6FTzSnPgrmNWRo93pCZRtKk-0-7a8f935fad567bd72552ab31df75e1b9)
图10-6 神经网络
也可以举另外一个例子,如图10-7所示,对于要不要看电影Ready Player One有几个决定性因素:x1,交通是否方便;x2,是否有人陪伴;x3,是否下雨。假设交通是否方便的影响因素是0.2,是否有人陪伴的影响因素是0.2,是否下雨的影响因素是0.9,将x1×0.2 + x2×0.2 +x3×0.9累加以后得到一个结果,这个结果如果达到一个值(这个值假设是5),如果超过了5,就去看电影;如果没有超过5,就不去看电影。
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P161_29707.jpg?sign=1738845753-agD2uiASAdsHW4M51ibkUIZF4nUZeNRF-0-423911c6d1e424cf49b2d834e9da7c72)
图10-7 是否看电影
这个阈值将解密什么是偏爱因子,真正的偏爱因子是什么?很多学习深度学习的读者看到偏爱因子,就认为不过是调一个参数,这个理解没错,但对于调优没有任何意义。
偏爱因子是决定性的因素之一,从理解的角度,就是用户的偏好或者喜好。偏爱因子不是随随便便调成0.1或者调成0.5那么简单。
假设
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P161_130904.jpg?sign=1738845753-r3FrrMM5CmTn4tssIyt3o4fJZtVtp5nR-0-15bb9d639e8212b89a88030b5172862f)
有一个阈值,这个阈值用来判断要不要看电影,将输入值和权重相乘累加达到一个值,然后将值和阈值(即一个门槛)进行比较得出一个结果,要么是0,要么是1;要么去看电影,要么不去。
将
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P162_130909.jpg?sign=1738845753-No8fcDSYQVJ3L1ndzdsxWOp7WA9qYCSc-0-56c4dfecec4ab86b8cf39a26a0521dc9)
阈值往不等式左边移动一下,即将阈值从不等式右边移动到左边。阈值移动到左边以后不用阈值的名称了,而改为b,这时符号和原来的相反了,原来是减号,现在变成了加号。将因素和权重相乘累加,例如x1×w1 + x2×w2 + x3×w3 + … + xn×wn + b,计算式最后加了一个b,这个b就是偏爱因子。
![](https://epubservercos.yuewen.com/A2E645/19549640608913906/epubprivate/OEBPS/Images/Figure-P162_130911.jpg?sign=1738845753-B4f9nNqUQwdRIyxJqOWMtoIvGPng5gIj-0-62d3ecd14a9d326ac86239d892bf7915)
在看电影的例子中,偏爱因子是决定是否看电影的一个标准,满足什么条件,对条件进行衡量之后,达到预期就去看电影,达不到预期就不看电影。