神经网络（上）：神经元与感知机

二十世纪四十年代 M-P 神经元模型、Hebb 学习律出现后，五十年代出现了以感知机、Adaline 为代表的一系列成果。后来因为单层神经网络无法解决非线性问题，而多层网络的训练算法尚看不到希望，神经网络研究进入“冰河期”。哈佛大学的 Paul Werbos 在 1974 年发明 BP 算法时，正值“冰河期”，因此未受到重视。

1983 年，物理学家 John Hopfield 利用神经网络，在旅行商问题这个 NP 完全问题的求解上获得了当时最好的结果，引起轰动。稍后，UCSD 的 Rumelhart 等人重新发明了 BP 算法，再次掀起研究神经网络的热潮。二十世纪九十年代中期，随着统计学习理论和支持向量机的兴起，神经网络学习的理论性质不够清楚、试错性强、在使用中充斥大量“窍门”的弱点更为明显，于是神经网络的研究又进入低谷。

2010 年前后，随着计算能力的迅猛提升和大数据的涌现，神经网络研究在“深度学习”的名义下又重新崛起，先是在 ImageNet 等若干竞赛上以大优势夺冠，此后谷歌、百度、脸书等公司纷纷投入巨资进行研发，神经网络迎来第三次高潮。

1. 神经元模型

神经网络(neural networks)是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。

神经网络中最基本的成分是神经元(neuron)模型，即上述所说的“简单单元”。在生物神经网络中，每个神经元与其他神经元相连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位；如果某神经元的电位超过了一个“阈值”，那么它就会被激活，即“兴奋”起来，向其他神经元发送化学物质。

1943 年，McCulloch 和 Pitts 将上述情形抽象为上图所示的简单模型，这就是一直沿用至今的 M-P 神经元模型。神经元接收来自 $n$ 个其他神经元传递过来的输入信号 $x$，这些输入信号通过带权重 $w$ 的连接(connection)进行传递，神经元接收到的总输入值 $\sum_{i=1}^nw_ix_i$ 将与神经元的阈值 $\theta$ 进行比较，然后通过“激活函数”(activation function) $f$ 处理产生神经元的输出 $y=f(\sum_{i=1}^nw_ix_i-\theta)$。

理想中的激活函数是图 5.2(a) 所示的阶跃函数，它将输入值映射为输出值 $0$ 或 $1$（$1$ 对应神经元兴奋，$0$ 对应神经元抑制）。然而，阶跃函数具有不连续、不光滑等不太好的性质，因此实际常用 $\text{Sigmoid}$ 函数（即形似 S 的函数）作为激活函数。$\text{Logistic}$ 函数是典型的 $\text{Sigmoid}$ 函数，它如图 5.2(b) 所示把可能在较大范围内变化的输入值挤压到 $(0,1)$ 输出值范围内，因此有时也称为“挤压函数”(squashing function)。

把许多这样的神经元按一定的层次结构连接起来，就得到了神经网络。事实上，从计算机科学的角度看，我们可以先不考虑神经网络是否真的模拟了生物神经网络，只需将一个神经网络视为包含了许多参数的数学模型，这个模型是若干个函数，例如 yj=f(∑iwixi−θ