爲什麼我們在電腦中使用神經網絡？

Question

爲什麼我們使用神經網絡？它是生物學的。沒有更多的解決方案更適合電腦嗎？

換句話說：爲什麼我們用人腦作爲人造智能靈感的模型？

Answer 1

1. 神經網絡並不是真正的生物。它們在很大程度上類似於神經元的體系結構，但是說它們像「大腦」一樣工作（一些神經網絡倡導者鼓勵的誇張，唉），這太誇張了。
2. 神經網絡主要用於模糊，難以解決的傳統算法問題。 IOWs，有是更適合計算機的解決方案，但有時候這些解決方案不起作用，在這些情況下，一種方法是神經網絡。

Answer 2

人工智能是計算機科學的一個分支，致力於使計算機更「生物化」。當你想要一臺計算機做人類（生物）事物，比如下棋，或者模仿偶然的談話時，這很有用。

人類大腦在某些方面比最強大的計算機更高效和強大，因此試圖模仿處理信息的生物學方式是有意義的。

Answer 3

我知道的大多數神經網絡只不過是靈活的插補器。錯誤的Backpropagating是方便，快捷，這裏有一些可能的用途：數據

有些遊戲的

• 分類（現代步步高認可擊敗世界上最好的球員，評價函數是一個神經網絡）
• 模式識別（OCR？）

沒有什麼特別與人的智能有關。神經網絡還有其他用途，我已經看到了聯想記憶的實現，它允許在沒有（很多）數據丟失的情況下退化，就像看到一些神經元隨時間消逝的大腦一樣。

Answer 4

神經網絡只受到我們大腦神經結構的「啓發」，但它們甚至沒有接近真正神經元行爲的複雜性（迄今爲止，沒有神經元模型能夠捕捉到SINGLE的複雜性神經元，甚至不考慮神經元的種羣...）

雖然「神經」，機器「學習」和其他「僞生物」（如「遺傳算法」）的條款是非常「酷」，那並不意味着它們實際上是基於真實的生物過程。只是他們可能非常接近地提醒生物情況。

注意：當然這不會使它們無用！他們在很多領域都非常重要！

Answer 5

我不明白這個問題。神經網絡適用於某些功能，而不適用於其他功能。對於各種其他種類的算法也是如此，無論它們可能受到什麼啓發。如果我們對某些東西有很多輸入，並且我們需要一些輸出，並且我們有一組具有已知期望輸出的示例輸入，並且我們不想自己計算一個函數，那麼神經網絡是非常好的。我們輸入示例輸入，將輸出與示例輸出進行比較，並以自動方式調整NN的內部工作，以使NN輸出更接近所需的輸出。

這種函數推導在各種形式的模式識別和一般分類中非常有用。當然，這不是萬能的。它沒有解釋的力量（因爲你不能看內在的東西，看看它爲什麼要以某種特定的方式分類），它不能保證在一定範圍內的正確性，證明它的工作很難，並且收集足夠的培訓和驗證示例可能很昂貴，甚至不可能。訣竅是知道何時使用NN以及使用哪種類型。

當然，還有人會把這些東西誇大成某種超級解決方案，甚至是對人類思想的解釋，而且你可能會對它們做出反應。

Answer 6

爲什麼我們使用神經網絡？

因爲它們構建起來很簡單，而且通常看起來是某些類型問題（如模式識別）的好方法。

難道還有更適​​合電腦的解決方案嗎？

是的，與計算機架構更緊密匹配的實現可能更適合計算機，但可能不太適合有效的解決方案。

爲什麼我們用人腦作爲人造智能的靈感模型？

因爲我們的大腦是一個很好的例子，我們擁有一些聰明的東西。

Answer 7

神經網絡已經存在了一段時間，最初被開發用於模擬與我們在當時對神經元在大腦中工作的方式的理解。他們代表了一個神經網絡，因此是「神經網絡」。由於計算機和大腦在硬件方面非常不同，所以用計算機來實現任何類似大腦的事情都會變得相當笨拙。然而，正如其他人迄今所說的那樣，神經網絡對於模糊識別，面部識別和其他類似用途等模糊事物可能有用。它們作爲神經元如何連接的基本模型仍然很有用，並且常用於認知科學和人工智能的其他領域，試圖瞭解複雜的人類大腦的小部分可能會做出簡單的決定。不幸的是，一旦神經網絡「學習」某些東西，就很難理解它是如何實際做出決定的。

當然，神經網絡存在很多誤用，並且在大多數非研究應用中，已經開發出更準確的其他算法。如果某件商業軟件自豪地宣稱它使用了神經網絡，那麼很有可能它不需要它，並且可能會用它來低效地執行可以以更簡單的方式執行的任務。除非這個軟件實際上是在實時「學習」，這是非常罕見的，神經網絡幾乎沒有用處。即使軟件「學習」，有時神經網絡也不是最好的選擇。

Answer 8

神經網絡仍然有兩個原因。

1. 對於那些不想深入研究更復雜的算法的人來說，它們很容易理解。
2. 他們有一個非常好的名字。我的意思是，當你在CEO的辦公室裏扮演你的模型時，你會說，神經網絡或支持向量機。當他問它如何工作時，你可以說「就像你大腦中的神經元」，這是大多數人所理解的。如果你嘗試解釋一個支持向量機，CEO先生將會迷路（不是因爲他笨拙，而是因爲SVM更難理解）。

有時他們仍然有用，但我認爲訓練時間通常太長。

Answer 9

雖然我承認，因爲我希望創造出高水平的AI，所以我鼓搗神經網絡，但是，您可以將神經網絡視爲不僅僅是人類大腦的人工表示，而且作爲一個數學構造。

例如假設你有一個函數y = f(x)或更抽象y = f(x1, x2, ..., xn-1, xn)，神經網絡本身作爲功能，甚至是一組功能，同時在大的輸入，併產生一些輸出[y1, y2, ..., yn-1, yn] = f(x1, x2, ..., xn-1, xn)

此外，它們不是靜態的，而是可以繼續適應和學習，並最終推斷（預測）有趣的事情。他們的抽象性甚至可能導致他們想出獨特的解決方案來解決尚未被認識的問題。例如TDGammon程序學會了玩西洋雙陸棋並擊敗世界冠軍。這位世界冠軍表示，該節目發揮了他從未見過的獨特的終極遊戲。 （如果你問我考慮神經網絡的複雜性，這真的很棒）

然後當你看到遞歸神經網絡（即可以有內部反饋迴路，或者將輸出管回輸入時，同時消耗新的輸入）可以解決更多有趣的問題，並映射更復雜的功能。

簡而言之，神經網絡就像一個非常非常抽象的高維函數，能夠映射/學習非常有趣的事情，否則將無法編程編程。例如，計算大量物體上的總淨重力所需的能量是激烈的（您必須爲每個物體和每個物體計算它），但一旦神經網絡學習如何繪製它們，他們就可以做這些複雜的計算，可以運行在指數或組合？時間在多項式時間。只要看看你的大腦在你夢中時處理物理數據，空間數據/圖像/聲音的速度有多快。這是神經網絡的潛在計算能力。並且還要提到他們存儲數據的方式也非常聰明（在synaptics模式中，即存儲器）