pytorch 机器翻译 基础 pytorch机器视觉

第一章 浅谈人工智能、神经网络和计算机视觉

• 1.3.1 生物神经网络
• 1.3.2 M-P模型

弱人工智能 强调人工
强人工智能 强调智能

机器学习也被称为统计学习方法，机器学习中的大部分学习算法都是基于统计学原理的。机器学习和深度学习技术具有的的共同的一个特点：都需要使用尽可能多的数据来完成自身模型的训练，这样才能让最终输出的模型拥有强大的泛化能力。

在使用深度学习方法解决计算机视觉问题的过程中，用的最多的网络架构叫卷积神经网络的模型。

1.3.1 生物神经网络

图1-4是一个生物神经元的示例。生物神经元的信息处理流程简单来说是先通过本神经元的树突接收外部神经元传入本神经元的信息,这个信息会根据神经元内定义的激活阈值选择是否激活信息，如果输入的信息最终被神经元激活，那么会通过本神经元的轴突将信息输送到突触，最后通过突触传递至与本神经元连接.的其他神经元。

1.3.2 M-P模型

在图1-5中从左向右看，首先是一-列从x1到xn的参数，我们可以将从x1到xn看作类似于生物神经元中的树突接收到的来自外部神经元的信息，不过还需要对这些输入的信息进行相应的处理，处理方法是对信息中的每个参数乘上一个对应的权重值，权重值的范围是从w1j到wnj;图中的圆圈等价于在生物神经元中判断是否对输入的信息进行激活、输出的部分，M-P模型在判断输入的信息能否被激活及输出前会对输入的信息使用E来完成求和处理，E就是数学中的累加函数，然后将求和的结果传送给函数f，函数f是一个定义了目标阈值的激活函数，这个激活函数只有在满足目标阈值时才能将信息激活及输出; Qj类似于生物神经元中的轴突，用于承载输出的信息。

M-P模型数学表达式：