4 人工神经元

查看大图

人工神经元不神秘，它就是把多个输入按权重合在一起，再通过激活函数变成输出。大量神经元堆叠起来，才形成复杂网络。

查看大图

可以手算一个只有两个输入的神经元：给定 x、w、b 和 ReLU，算出 z 和输出。手算一次，比直接看代码更容易理解。

在上一篇中，我们探讨了深度学习与机器学习之间的区别，认识到深度学习作为一种特殊的机器学习方法，其关键在于能够自动学习数据中的特征。今天，我们将深入了解深度学习的基础构件——人工神经元。

什么是人工神经元？

人工神经元（Artificial Neuron）是神经网络的基本单元，灵感来源于生物神经元。它的主要任务是接收输入信号，进行处理，然后产生输出信号。每个人工神经元包含以下主要组成部分：

查看大图

理解人工神经元时，先看输入如何经过权重和偏置变成一个中间结果，再由激活函数输出。复杂网络就是从这个单元堆起来的。

• 输入：神经元接收来自其他神经元或外部数据的输入信号。
• 权重：每个输入信号都有一个对应的权重，表示该信号的重要性。
• 激活函数：对加权输入信号进行非线性变换，以决定输出信号的值。
• 输出：经过激活函数处理后产生的信号，将被传递给其他神经元或作为最终输出。

人工神经元的数学模型

一个简单的人工神经元可以用以下数学公式表示：

查看大图

读完《人工神经元》不要只停在“看懂了”。回头挑一个步骤动手做一遍，再记录哪里卡住，后面的学习会更稳。

1. 加权和：

$$z = \sum_{i=1}^{n} w_i x_i + b$$

其中：

• $x_i$ 是来自前一层的输入信号。
• $w_i$ 是对应的权重。
• $b$ 是偏置（bias），用于调整输出。

2. 激活函数：

神经元的输出通常通过一个激活函数进行非线性变换，例如使用sigmoid、ReLU（整流线性单元）或tanh等。

$$y = f(z)$$

其中，$f$ 是激活函数，$y$ 是神经元的最终输出。

常见的激活函数

• Sigmoid： $f(z) = \frac{1}{1 + e^{-z}}$ Sigmoid函数的输出范围在(0, 1)之间，常用于二分类问题。

• ReLU： $f(z) = \max(0, z)$ ReLU函数在正区间线性增长，负区间输出为0，是当前深度学习中最常用的激活函数之一。

• Tanh： $f(z) = \tanh(z) = \frac{e^{z} - e^{-z}}{e^{z} + e^{-z}}$ Tanh函数的输出范围在(-1, 1)之间，适用于需要输出范围在负值和正值之间的场景。

人工神经元的实现

下面，我们用Python和NumPy简单实现一个具有单个神经元的前馈网络。代码如下：

import numpy as np

class Neuron:
    def __init__(self, n_inputs):
        self.weights = np.random.rand(n_inputs)
        self.bias = np.random.rand(1)

    def activation(self, z):
        return 1 / (1 + np.exp(-z))  # Sigmoid Activation

    def forward(self, inputs):
        z = np.dot(inputs, self.weights) + self.bias
        return self.activation(z)

# 示例：使用神经元进行预测
inputs = np.array([0.5, 0.75])  # 示例输入
neuron = Neuron(len(inputs))
output = neuron.forward(inputs)
print("神经元的输出：", output)

在上述代码中，我们定义了一个Neuron类，具备初始化权重和偏置的功能，并有forward方法实现前向传播。activation方法实现了sigmoid激活函数。

查看大图

读到这里，可以把《人工神经元》整理成一张复盘表：先说清主线，再拿一个小任务检查结果。

查看大图

读完《人工神经元》后，可以先挑一个小样例走完整流程，再判断哪些步骤已经能独立完成。

总结

人工神经元是构成神经网络的基础，它通过加权和、偏置、和激活函数的结合来对输入数据进行处理。理解人工神经元的工作原理是深入学习神经网络的关键。在下一篇文章中，我们将进一步探索神经网络的结构，以及多个神经元如何协同工作。

通过这一系列教程，我们希望帮助大家逐渐克服对深度学习的陌生感，开启探索人工智能的旅程。