摘要：如何理解神經網絡訓練與推理深度神經網絡和我們人類一樣，為了學習工作技能需要接受教育。這樣的技術意味著，用戶可以隨時使用神經網絡的推理能力。

人工智能的智能水平在某些領域已經十分強大，但是人工智能究竟是如何變得智能的呢？是否和人一樣需要有人給它上課、需要沒日沒夜的做作業呢？今天小編就為大家探秘一下深度神經網絡的訓練和推理，看看聰明的神經網絡養成記，比如說它是如何認識貓的。

如何理解神經網絡訓練與推理？

深度神經網絡和我們人類一樣，為了學習工作技能需要接受教育。經過訓練的神經網絡利用學習到的知識，以精簡的應用程序，進行數字世界中的工作：比如確認圖像、語音識別、檢測血液病，甚至化身為導購，建議你接下來該買哪雙鞋子——凡是你想的出來的事物，人工智能似乎都能勝任。

經過訓練之后的神經網絡，能夠根據新的數據對事物進行猜測和推斷、舉一反三，這樣的行為在人工智能字典中，稱之為“推理”。

訓練就是人工智能進行推理的前提

想想也確實如此，這不正是我們大部分人獲取和運用自身知識的方法么。

但是

神經網絡的教育過程或訓練與我們人類又不一樣，神經網絡是根據類似我們的大腦中，神經元之間的所有相互關聯的生理狀態來進行建模的。在我們的大腦中，任何神經元都可以與相隔一定物理距離的任何其他神經元進行連接，但是人工神經網絡擁有獨立層級、連接和數據傳輸方向。

在進行神經網絡訓練時，訓練數據放在網絡第一層，單個神經元會根據執行的任務，向輸入的內容分配權重，判斷其正確或錯誤程度。

舉個例子

現在有個任務要識別一張圖像是不是貓。在圖像識別網絡中，不同層級可能是這樣“推理”的：

第一層：尋找對象的邊緣

第二層：了解這些邊緣形成的各種形狀，比如是矩形還是圓形

第三層：尋找特定特征，例如明亮眼睛和塌鼻子

……

每一層將圖像傳送至下一層，直至最后一層，并通過計算所有權重得到最終的結果。

?

但不同的是！神經網絡是同時捕捉所有訓練圖像，進行權重計算，從而確定對象是否為貓的結論——因此，從神經網絡訓練算法中得到的結論就是簡單的“Yes”或“No”。

如果算法向神經網絡告知圖像是錯誤的，然后該錯誤會傳回網絡的各層級，并開始猜測對象是不是別的什么，但是神經網絡并不會知道，如果圖像里的不是貓，會是別的什么東西？（就像是沒見過除貓以外，其他動物的小孩一樣……）。在我們提到的識別貓這個例子中，神經網絡的各層收到傳回的信號之后，就開始考察圖像中有沒有其他與貓有關的屬性，并權衡各個層級中得到的結論。然后猜測、猜測、再猜測。直到幾乎每次的猜測都可以獲得正確的權重和答案的時候，神經網絡才會確定——這家伙就是貓，沒跑了！

終于“猜到”朕是貓了嗎？

神經網絡訓練是吃“計算能力”的怪獸

通過訓練后，神經網絡里所有數據權重都根據訓練進行了平衡，從而打造了一個經過精細調諧的體系。問題是，當涉及到計算時，它也是一個吃不飽的怪獸。曾在谷歌和斯坦福訓練人工智能、現擔任百度硅谷實驗室首席科學家的Andrew Ng表示，訓練一個百度中文語音識別模型不僅需要4 terabytes的訓練數據，而且在整個訓練周期內，還需要進行20 exaflops次的計算。

?

想象一下，這樣的計算量要在智能手機上進行，可能嗎？因此這時候就需要推理的能力了。

推理讓神經網絡輕巧敏捷、普惠大眾

如果任何人在現實生活中，要用上神經網絡某些訓練后獲得的技能，那么就需要它將這樣的技能快速應用起來，從而鞏固訓練結果，做到舉一反三，這就是推理：獲取一定量的數據，并快速反饋正確的答案。

如何利用推理？只需打開智能手機就行。推理會將深度學習用于從語音識別到快照分類等一切事物中。

一種方法是尋找將神經網絡中的各個層級融合為單一計算的手段。它類似于數據圖像發生的壓縮，雖然圖片被壓縮，但是在一定的分辨率中，人眼是識別不出區別的。推理也是一樣，“壓縮后”的神經網絡能夠提供與“未壓縮”神經網絡幾乎相同的預測精度，但是前者更能滿足在不同設備上運行的需求。

這樣的技術意味著，用戶可以隨時使用神經網絡的推理能力。不論是你智能手機上的語音助手，還是谷歌、百度所作的語音識別、垃圾郵件過濾，Facebook的圖像識別，亦或是亞馬遜及Netflix的智能推薦都依賴于推理的能力。

未來，我們將看到這些模型和應用將變得更加聰明、快捷和準確。訓練將變得不那么繁瑣，推理的能力將為我們生活的各個方面帶來新的便利。因此，寫到這里，對于未來的年輕一代，小編悟道了一句話——不想成為傻瓜，就趕緊去學習吧！

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識

QQ群：81035754