眼下最熱門的技術，絕對是人工智慧。
人工智慧的底層模型是"神經網路"（neural network）。許多複雜的應用（例如模式識別、自動控制）和進階模型（例如深度學習）都基於它。學習人工智慧，一定是從它開始。
一、感知器
#歷史上，科學家一直希望模擬人類的大腦，創造出可以思考的機器。人為什麼能夠思考？科學家發現，原因在於人體的神經網路。
1、外部刺激經由神經末梢，轉化為電訊號，轉導到神經細胞（又叫神經元）。
2、無數神經元構成神經中樞。
3、神經中樞綜合各種訊號，做出判斷。
4、人體根據神經中樞的指令，對外部刺激做出反應。
二、權重和門檻
看到這裡，你一定會問：如果某些因素成立，有些因素不成立，輸出是什麼？例如，週末是好天氣，門票也不貴，但小明找不到同伴，他還要不要去參觀呢？
現實中，各種因素很少具有同等重要性：某些因素是決定性因素，另一些因素是次要因素。因此，可以給這些因素指定權重（weight），代表它們不同的重要性。
天氣：權重為8
同伴：權重為4
價：權重為4
#上面的權重表示，天氣是決定性因素，同伴和價格都是次要因素。
如果三個因素都是1，它們乘以權重的總和就是 8 4 4 = 16。若天氣和價格因素為1，同伴因素為0，總和就變成 8 0 4 = 12。這時，還需要指定一個閾值（threshold）。如果總和大於閾值，感知器輸出1，否則輸出0。假設閾值為8，那麼 12 > 8，小明決定去參觀。閾值的高低代表了意願的強烈，閾值越低就表示越想去，越高就越不想去。
上面的決策過程，使用數學表達如下。
三、決策模型
單一的感知器構成了一個簡單的決策模型，已經可以拿來用了。在真實世界中，實際的決策模型則複雜得多，是由多個感知器組成的多層網路。
上圖中，底層感知器接收外部輸入，做出判斷以後，再發出訊號，作為上層感知器的輸入，直到得到最後的結果。 （注意：感知器的輸出仍然只有一個，但是可以發送給多個目標。）
這張圖裡，訊號都是單向的，即下層感知器的輸出總是上層感知器的輸入。現實中，有可能發生循環傳遞，即A 傳給B，B 傳給C，C 又傳給A，這稱為"遞歸神經網路"（recurrent neural network）
#四、向量化
為了方便後面的討論，需要對上面的模型做一些數學處理。
外在因素 x1、x2、x3 寫成向量
權重 w1、w2、w3 也寫成向量 (w1, w2, w3)，簡稱為 w
定義運算 w⋅x = ∑ wx，即 w 和 x 的點運算，等於因素與權重的乘積總和
#定義 b 等於負的閾值 b = -threshold
感知器模型就變成下面這樣了。
五、神經網路的運作過程
一個神經網路的搭建，需要滿足三個條件。
1、輸入與輸出
2、權重（w）和閾值（b）
3、多層感知器的結構
也就是說，需要事先畫出上面出現的那張圖
其中，最困難的部分就是確定權重（w）和閾值（b）。到目前為止，這兩個值都是主觀給出的，但現實中很難估計它們的值，必要有一種方法，可以找出答案。
這種方法就是試誤法。其他參數都不變，w（或b）的微小變動，記作Δw（或Δb），然後觀察輸出有什麼變化。不斷重複這個過程，直到得到對應最精確輸出的那組w和b，就是我們要的值。這個過程稱為模型的訓練。
因此，神經網路的運作過程如下。
1、確定輸入和輸出
2、找到一種或多種演算法，可以從輸入得到輸出
#3、找到一組已知答案的資料集，用來訓練模型，估算w和b
4、一旦新的資料產生，輸入模型，就可以得到結果，同時對w和b進行校正
六、輸出連續性
上面的模型有一個問題沒有解決，依照假設，輸出只有兩個結果：0和1。但是，模型要求w或b的微小變化，會引發輸出的變化。如果只輸出0和1，未免也太不敏感了，無法保證訓練的正確性，因此必須將"輸出"改造成一個連續性函數。這就需要進行一點簡單的數學改造。
首先，將感知器的計算結果wx b記為z。
z = wx b
然後，計算下面的式子，將結果記為σ(z)。
σ(z) = 1 / (1 e^(-z))
#這是因為如果z趨向正無窮z → ∞（表示感知器強烈匹配），則σ(z) → 1；如果z趨向負無窮z → -∞（表示感知器強烈不符），那麼σ(z) → 0。也就是說，只要使用σ(z)當作輸出結果，那麼輸出就會變成一個連續性函數。
原來的輸出曲線是下面這樣。
現在是這樣：
#實際上，也可以證明Δσ滿足下面的公式。
即Δσ和Δw和Δb之間是線性關係，變化率是偏導數。這就有利於精確推算出w和b的值了。
以上是神經網路演算法基礎入門的詳細內容。更多資訊請關注PHP中文網其他相關文章！