为什么我们在计算机中使用神经网络？

Question

为什么我们使用神经网络？这是生物学的。是否还有更适合计算机的解决方案？

换句话说：为什么我们用人脑作为人工智能灵感的模型？

Answer 1

1. 神经网络并不是真正的生物学。它们在非常一般的层面上类似于神经元的结构，但可以夸张地说它们“像大脑一样”（夸张地被一些神经网络倡导者鼓励，唉）。
2. 神经网络主要用于模糊的，难以解决的传统算法方法。 IOWs，是更适合计算机的解决方案，但有时这些解决方案不起作用，在这种情况下，一种方法是神经网络。

Answer 2

  

为什么我们使用神经网络？

因为它们构造起来很简单，并且通常似乎是解决某些类问题的好方法，例如模式识别。

  

是否还有更适合计算机的解决方案？

是的，与计算机架构更紧密匹配的实现可能更适合计算机，但后来可能不太适合有效的解决方案。

  

为什么我们使用人类大脑作为人工智能灵感的模型？

因为我们的大脑是我们拥有智慧的优秀例子。

Answer 3

仍然使用神经网络有两个原因。

1. 对于那些不想深入研究更复杂算法的人来说，它们很容易理解。
2. 他们有一个非常好的名字。我的意思是当你进入CEO的办公室向他推销你的模型时，你宁愿说，神经网络或支持向量机。当他询问它是如何工作的时候，你可以说“就像大脑中的神经元一样”，这是大多数人都能理解的。如果你试图解释一个支持向量机，那么CEO将会失败（不是因为他是愚蠢的，而是因为SVM更难理解）。

有时它们仍然有用，但我认为训练时间通常太长。

Answer 4

我不明白这个问题。神经网络适用于某些功能，而不适用于其他功能。对于各种其他类型的算法也是如此，无论它们可能受到什么启发。

如果我们对某些东西有很多输入，并且我们想要一些输出，并且我们有一组具有已知所需输出的示例输入，并且我们不想自己计算函数，那么神经网络就非常出色。我们输入示例输入，将输出与示例输出进行比较，并以自动方式调整NN的内部工作，以使NN输出更接近所需的输出。

这种函数推导在各种形式的模式识别和一般分类中非常有用。当然，它不是灵丹妙药。它没有解释力（因为你无法查看内部以了解它为何以特定的方式对某些东西进行分类），它不能在一定限度内提供正确性的保证，验证其工作的难度，以及收集足够的培训和验证示例可能很昂贵甚至不可能。诀窍是知道何时使用NN以及使用什么类型。

当然，有些人将这些东西称为某种超级解决方案，甚至是对人类思想的解释，你可能会对它们做出反应。

Answer 5

神经网络只是受到我们大脑神经结构的“启发”，但它们甚至不能接近真实神经元行为的复杂性（迄今为止还没有神经元模型能够捕捉到单个神经元的复杂性） ，甚至不考虑神经元群体...）

虽然“神经”，机器“学习”和其他“伪生物”（如“遗传算法”）术语非常“酷”，但这并不意味着它们实际上是基于真实的生物过程。 只是他们可以非常近似地提醒生物学情况。

注意：当然这并不会使它们变得无用！它们在许多领域都非常重要！

Answer 6

神经网络已经存在了一段时间，并且最初被开发为模型，就像我们在神经元在大脑中工作的方式那样接近理解。它们代表神经元网络，因此是“神经网络”。由于计算机和大脑在硬件方面是非常不同的，因此使用计算机实现大脑之类的任何事情都会变得相当笨重。然而，正如其他人到目前为止所说的那样，神经网络对某些模糊的东西很有用，例如模式识别，面部识别和其他类似用途。它们仍然可用作神经元如何连接的基本模型，并且经常用于认知科学和人工智能的其他领域，以试图理解复杂的人类大脑的小部分如何做出简单的决定。不幸的是，一旦神经网络“学习”某些东西，就很难理解它是如何实际做出决定的。

当然，存在许多神经网络的误用，并且在大多数非研究应用中，已经开发出更准确的其他算法。如果一个商业软件自豪地宣称它使用神经网络，那么很可能它不需要它，并且可能使用它来低效地执行可以以更容易的方式执行的任务。除非软件实际上是“学习”，这是非常罕见的，神经网络几乎没用。即使软件“学习”，有时神经网络也不是最好的方法。

Answer 7

虽然我承认，我修补神经网络因为我希望创造高水平的AI，但是，你可以将神经网络看作不仅仅是人脑的人工表现，而是作为数学结构

例如，假设您有一个函数y = f(x)或更抽象地y = f(x1, x2, ..., xn-1, xn)，神经网络本身充当函数，甚至是一组函数，接受大量输入并产生一些输出{{ 1}}

此外，它们不是静态的，而是可以继续适应和学习，并最终推断（预测）有趣的事物。他们的抽象甚至可以导致他们为尚未想到的问题提出独特的解决方案。例如，TDGammon计划学会了打步步高并击败世界冠军。这位世界冠军表示该项目是一场他从未见过的独特的终极游戏。 （如果你让我考虑NN的复杂性，那真是太棒了）

然后当你看到循环神经网络（即可以有内部反馈循环，或将输出反馈到输入中，同时消耗新输入）时，它们可以解决更有趣的问题，并映射更复杂的函数。 / p>

简而言之，神经网络就像一个非常抽象的高维函数，能够映射/学习非常有趣的东西，否则无法以编程方式编程。例如，计算大量物体上的总净重力所需的能量是强烈的（你必须为每个物体和每个物体计算它），但是一旦神经网络学会了如何绘制它们，它们就可以做这些以指数或组合方式运行的复杂计算？多项式时间的时间。只要看看你的大脑在你做梦时处理物理数据，空间数据/图像/声音的速度有多快。这是神经网络的潜在计算能力。并且还提到他们存储数据的方式也非常聪明（在突触模式中，即记忆）

Answer 8

人工智能是计算机科学的一个分支，致力于使计算机更具“生物学”。当你想要一台计算机做人类（生物学）的东西，比如下棋或模仿随意的谈话时，这很有用。

人类的大脑在某些方面比最强大的计算机更有效和强大，因此尝试模仿处理信息的生物方式是有意义的。

Answer 9

我所知道的大多数神经网络只不过是灵活的插值器。反向传播错误既简单又快速，这里有一些可能的用途：

• 数据分类
• 一些游戏（现代步步高AIs击败世界上最好的玩家，评估功能是神经网络）
• 模式识别（OCR？）

没有什么特别与人类智慧有关。还有神经网络的其他用途，我已经看到了联想记忆的实现，它允许在没有（很多）数据丢失的情况下降级，就像大脑看到一些神经元随着时间而死亡。