北京
想讓計算機認出一個手寫數字，一張4×4像素的照片需要準備16個輸入節點，輸出層再擺上10個候選數字，最后它說“多半是5”的置信度可能只有82%。而這一切背后的邏輯，不過是三層神經元的接力運算。很多人覺得神經網絡、深度學習這些詞一聽就頭大，但其實把它們拆開看，核心機制跟人腦決策的套路大同小異，甚至不用碰一條公式。
“神經網絡”這個名字直接抄了生物課的作業。人腦里擠著密密麻麻的神經元，每個神經元又通過突觸和成千上萬個同伴連成一張巨網。機器學習里的神經網絡差不多就是這個意思，只不過這里的神經元按分工劃成了三大塊：輸入層、隱藏層和輸出層。三層之間責任分明，誰也不越界搶別人的活。
最前面那層叫輸入層，它的任務只有一個——收數據。假設要讓網絡識別圖像，輸入層的每個節點就盯著畫面上的一個像素坐標。比如處理一張4×4的小圖，這一層就會長出16個節點，每個節點專門等待屬于自己的那個像素值進來。數據一到位，它什么都不算，直接打包遞給后面的隱藏層。
隱藏層是整個網絡里最神秘的部分。從外部看，它做了一大堆“數學魔法”，實際上不過是給每條傳來的連接賦予一個叫“權重”的東西。權重可以理解為“這個信息有多值得在乎”。一個節點收到好幾條帶著權重的輸入后，用自己的函數合計出一個結果，再往下一層扔。就像你盤算今晚要不要下館子，腦子里會冒出各種因素：錢包里的錢夠不夠，天氣好不好，今天有沒有打折。每個因素對你的最終決定影響力不同，那個影響力就是權重。多個因素加權綜合之后，你才會拍板出門或在家煮面。
最后一層是輸出層，節點數完全看答案長什么樣。如果是判斷貓還是狗，輸出層可能只有兩個節點；如果是識別手寫數字0?到?9，一般就配上10個節點，每個節點代表一個數字。這些節點收到的不是直接結論，而是一個個概率——比如隱藏層一通運算后給“5”這個節點灌進了0.82的信號，給“3”灌了0.10，給“8”灌了0.05。系統只要看到某個數字的置信度超過預設門檻，就當機立斷：“行了，這就是5。”這就是神經網絡做決策的基本姿勢，所有的輸出都扎根于前面每一層攜帶權重的計算結果。
讓網絡從胡猜變成靠譜識別，靠的是一種叫“反向傳播”的竅門。一旦輸出層的答案跑偏了，網絡會把誤差順著原路傳回去，逐層調整那些權重，告訴每個節點下次該多在乎誰、少理會誰。反復這樣從錯誤中學習，網絡判斷的準確率就慢慢提上來了。整個過程沒有摻進任何玄學公式，只是讓數字來來回回流動、比較、修正。
再回頭看開頭那個4×4像素和82%置信度，本質上就是三層結構加反向傳播的產物。輸入層收像素，隱藏層算權重，輸出層報概率，出錯就倒帶重調。這套機制從識別手寫數字到看懂人臉、轉寫語音，原理統統不變。所謂人工智能的黑箱，拆開來不過是把簡單的規則重復執行了成千上萬次。只要弄清楚這三層怎么劃分、信號怎么加權、錯誤怎么回傳，剩下的事，真的可以先把數學放一邊。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
