依照固有思维形式，人们总以为人工智能是一个莫测高深的行业，这个行业的人都是高智商人群，无论是写文章还是和人讲话，总是守口如瓶，接着就是蹦出一些“高级”词汇，什么“神经网络”，什么“卷积神经”之类，教人半懂不懂的。尤其 ChatGPT 的风行一时，更加“神话”了这个行业，用鲁迅学生形容诸葛武侯的话来讲：“多智而近妖”。
事实上，依据二八定理，和别的行业一样，人工智能行业内真正顶尖的蠢才也就是 20%，他们具备真正的行业颠覆能力，能够搞出像 ChatGPT 这种“工业革命”级别的产品，而剩下的 80% 也不过就是普通人，每天的工作和咱们这些人一样，干燥且乏味，而之所以会呈现相似“行业壁垒”的景象，是因为这个行业的“黑话”太多了，导致个别人听不懂，所谓“黑话”能够了解为行业术语，搞清楚了这些所谓的行业术语，你会发现，所谓的“人工智能”，不过也就是个“套路活儿”。
本次咱们试图应用“白话文”来描摹人工智能机器学习的底层逻辑，并且通过 Golang1.18 来实现人造神经元的原理。
人造神经元 Neural
当初业内比拟风行的，比方 Transformer 模型、GPT 模型、深度学习、强化学习、卷积神经网络等等，无论听起来如许高端大气上档次，说出大天去，它也是神经网络架构，换句话说它们的底层都一样，类比的话，就像汽车行业，无论是汽油驱动还是电驱动、三缸发动机还是六缸发动机、单电机还是双电机，混合能源还是插混能源，无论汽车主机厂怎么吹牛逼，无论车评人怎么疯狂恰饭，厂商造出来的车最终还是一个最根本的汽车架构，说白了就是一个底盘四个轮儿，你再牛逼，你也逃不出这个根本架构。
所以说，机器学习的根本架构是神经网络架构，神经网络由大量的人工神经元组成，它们联结之后就能够进行所谓的“机器学习”。所以，必须搞清楚什么是神经元，能力弄懂神经网络。
神经元是神经网络架构中最渺小的单位，也是最小的可训练单位，一个根本的神经元构造是上面这样的：
毋庸讳言，大多数人看见这个基本上都会霎时放弃，数学公式几乎就是开发界的洪水猛兽，其劝退能力堪比艾尔登法环中的大树守卫，咱们的机器学习之旅还没开始，就曾经完结了。
那么咱们把这个玩意儿翻译成大多数人能看懂的样子：f(sum( x*w) + b )
x 代表输出的数据，w 代表权重，sum 代表求和，b 代表偏差，f 代表激活函数，最初这个公式运行的后果，就是机器学习的后果。
简略往外头套点数据，比方我心愿机器学习的后果是 10，那么，x、w、和 b 别离应该是什么能力让后果变为 10 呢？如果 x=2 w=4 b = 2 就是咱们想要的后果。这也就是最根本的线性回归，咱们只解决一个维度的数据，因为后果曾经不言而喻了，咱们曾经不须要机器学习了，因为靠猜也能猜出来后果是什么。
然而生产环境中，x 并非是单维度，而是多维度的，比方 x1、x2、x3….. 组成的矩阵，但无论是多维度还是单维度，计算公式用的还是一样的，每一个 x 对应一个权重 w，所以是 xn*wn。
说白了，x 就是一个多维特色，类比的话，如果咱们想让电脑智能识图，比方辨认一只猫，那么 x 就是猫的特色，比方状态、色彩、眼睛、叫声等等，作为多维度的输出特色 x，喂给电脑，让电脑给出辨认后果，这就是简略的机器学习解决分类问题。
这里须要留神的是，x 作为特征参数，并不是越多越好，而是特色越显著越好，举个例子，你想让 AI 去辨认鲁迅的文章，那提供的特色最好应该具备鲁迅文章的特点，而不是全量输出，因为鲁迅就算再“鲁迅”，他写的文字也会和他人反复，也就是说并不是每句话都是他独有的，如果把他所有的文章都喂给电脑，可能就会产生“噪声”，影响机器学习的后果。
另外应该晓得的是，x 参数特色并不是咱们认为的单词或者汉字，而是一串单精度区间在 0 - 1 之间的浮点数字，也就是所谓的“向量”，因为只有数字能力套着神经元公式进行计算。
所以所有的文本特色在进行神经元计算之前，必须通过一些办法进行“向量化”操作。说白了就是把汉字转化为数字，就这么简略。
另外这也就证实了，电脑真的没有思维，它不了解什么是猫，或者谁是鲁迅，它就是在进行计算，而已。
随后是 w，w 指的是权重，权重是指神经元接管到的输出值的重要性，这些输出值通过乘以对应的权重，被加权求和作为神经元的输出。权重值越大，示意该输出在神经元的输入中所占的比重越大。说白了，猫的所有特色的权重并不是对立的，比方黑夜里忽然一个货色跳了进去，你怎么判断它是什么物种？很显著，一声“喵呜”咱们就能够立即判定这是一只猫，所以叫声特色的权重肯定大于其余特色的权重。
最初是 b，也就是偏差 (bias)，偏差通常是一个实数，与神经元的权重一样，也是通过训练神经网络而调整的参数。偏差的作用是在神经元的输出上减少一个常量，以调整神经元的激活阈值。如果没有偏差，那么神经元的激活函数将仅仅取决于加权和的值，而无奈产生任何偏移。
说白了，b 就是让 x * w 的值更活一点，让它不是“死”的数。
最初说说 f 也就是激活函数，激活函数通常具备非线性的个性，这使得神经网络可能拟合非线性的简单函数，从而进步其性能和准确度。
说白了，如果没有激活函数，咱们的权重计算就是“线性”的，什么叫线性？如果把 x 特色从 1 开始输出，始终到 100，而后将计算结果绘制成图：
咱们会发现计算结果是一根直线，这显然不合乎客观规律，更合乎生物特色的状态应该是“曲线”，所以说白了，激活函数 f 的作用就是把“直线”变成“曲线”。
最初，咱们把神经元公式革新成不便咱们了解的模式：冀望后果 = 激活函数 (求和 ( 特色 * 权重) + 偏差 )。
如果用代码实现这个公式：
func neuron(inputs []float64, weights []float64, bias float64) float64 {if len(inputs) != len(weights) {panic("inputs and weights must have the same length")
}
sum := bias
for i := 0; i < len(inputs); i++ {sum += inputs[i] * weights[i]
}
return sum
}这个函数接管两个长度雷同的浮点数数组 inputs 和 weights，以及一个偏置值 bias。它通过将每个输出值乘以其对应的权重，加上偏置值，失去神经元的加权和。最初，函数返回这个加权和作为神经元的输入值。
应用这个函数时，能够将输出数据和权重作为参数传递给它。例如，假如咱们有一个二分类问题，输出数据有两个特色：x1 和 x2，并且咱们有一个蕴含两个权重和一个偏置的神经元。那么能够这样调用神经元公式：
inputs := []float64{x1, x2}
weights := []float64{w1, w2}
bias := b
output := neuron(inputs, weights, bias)这里返回神经元的输入值，所以，谁说学习人工智能必须得用 Python？咱们就骄傲地应用 Golang。
机器学习，到底怎么学习
机器学习的过程就是上文中神经元公式的应用过程，第一步收集所有的特色数据，而后进行权重调配，最初向量化操作，把文本数据转换为计算机能计算的浮点数，随后加权求和，之后加一个偏差 (bias)，最初过一下激活函数，最终失去一个冀望后果，就完事了。
难吗？不难，普通人连猜带蒙也能做。
但事实上，这只是原理，也就是最根本的货色，个别人都能把握，比方打篮球，规定非常简单，外围就是运球和投篮，无反抗下小学生也能霎时把握，但小学生没法去打 NBA 级别的较量，因为很多高端的篮球技术是构筑于运球和投篮的，须要经久不息的练习和本身天才的加成，所以全世界能打 NBA 的就那么几百人，而已。
同理，机器学习的过程也并非如此简略，通过特色输出，通过神经元公式，失去的后果真的肯定是咱们所冀望的后果吗？
其实未必，机器学习还包含两个极其重要的概念：前向流传和反向流传。
前向流传是指将输出数据从神经网络的输出层传递到输入层的过程。在前向流传过程中，输出数据通过神经网络的每一层，每个神经元都会对其进行肯定的加权和激活函数计算，最终失去输入层的输入值。这个过程也被称为“正向流传”，因为数据是从输出层顺次向前流传到输入层。
反向流传是指在前向流传之后，计算神经网络误差并将误差反向流传到各层神经元中进行参数（包含权重和偏置）的更新。在反向流传过程中，首先须要计算网络的误差，而后通过链式法则将误差反向流传到各层神经元，以更新每个神经元的权重和偏置。这个过程也被称为“反向梯度降落”，因为它是通过梯度降落算法来更新神经网络参数的。
说白了，前向流传就是由特色到后果的过程，反向流传则是逆运算，用后果反推过程。
回到分类问题，咱们输出了猫的特色和特色权重，通过计算，后果未必是猫，可能是狗，或者是耗子，也可能是别的什么货色，但这不重要，重要的是咱们须要拿到一个后果的误差，这个误差越小越好，而反向流传就是帮咱们推算误差到底有多大的办法。
而误差的大小就取决于特色的输出，导致机器学习后果谬误的本源是参数，此时，咱们须要调整参数的输出，从而减小误差值，这也就是人工智能行业从业人员常常说的“调参”。
比方，咱们冀望后果是猫，后果计算机返回狗，那么调整参数，后果返回熊猫，那么就阐明调大发了，持续调整，直到计算机返回后果：猫。
在 Golang1.18 中，能够通过以下代码实现反向流传：
func backpropagation(inputs []float64, targets []float64, network *Network, learningRate float64) {
// 1. 前向流传，计算每个神经元的输入值
outputs := feedforward(inputs, network)
// 2. 计算输入层的误差
outputErrors := make([]float64, len(outputs))
for i := range outputs {outputErrors[i] = outputs[i] - targets[i]
}
// 3. 反向流传误差，计算每个神经元的误差值
for i := len(network.layers) - 1; i >= 0; i-- {layer := network.layers[i]
errors := make([]float64, len(layer.neurons))
// 3.1. 计算神经元的误差值
if i == len(network.layers)-1 {
// 输入层的误差
for j := range layer.neurons {errors[j] = outputErrors[j] * sigmoidPrime(layer.neurons[j].output)
}
} else {
// 暗藏层的误差
for j := range layer.neurons {
errorSum := 0.0
nextLayer := network.layers[i+1]
for k := range nextLayer.neurons {errorSum += nextLayer.neurons[k].weights[j] * nextLayer.neurons[k].error
}
errors[j] = errorSum * sigmoidPrime(layer.neurons[j].output)
}
}
// 3.2. 将误差值保留到神经元中
for j := range layer.neurons {layer.neurons[j].error = errors[j]
}
}
// 4. 更新神经网络的权重和偏置
for i := range network.layers {layer := network.layers[i]
// 4.1. 更新权重
for j := range layer.neurons {for k := range layer.neurons[j].weights {
if i == 0 {
// 输出层的权重
layer.neurons[j].weights[k] -= learningRate * layer.neurons[j].error * inputs[k]
} else {
// 暗藏层和输入层的权重
prevLayer := network.layers[i-1]
layer.neurons[j].weights[k] -= learningRate * layer.neurons[j].error * prevLayer.neurons[k].output
}
}
// 4.2. 更新偏置
layer.neurons[j].bias -= learningRate * layer.neurons[j].error
}
}
}这个函数接管输出数据 inputs、指标数据 targets、神经网络 network 以及学习率 learningRate 作为参数。它首先调用 feedforward 函数进行前向流传，计算每个神经元的输入值。而后，它计算输入层的误差，通过误差反向流传，计算每个神经元的误差值，并将其保留到神经元中。
接下来，函数依据误差值和学习率更新神经网络的权重和偏置。在更新权重时，须要依据神经元所在的层来抉择更新的权重类型（输出层、暗藏层或输入层），而后依据误差值和输出数据或上一层神经元的输入值来更新权重。在更新偏置时，只须要依据误差值和学习率来更新即可。
总的来说，这个函数实现了反向流传的所有步骤，能够用于训练神经网络并进步其准确度和性能。
结语
小道不过三俩句，说破不值半文钱，所谓人工智能机器学习就这么回事，没必要神话，也毋庸贬斥，类比的话，就像餐饮行业的厨师岗，所谓做菜，底层原理是什么？就是食材和火候，把握了做菜的底层原理，就能做出好菜，其余的，比方刀工、色彩等等，不过就是精益求精的货色，而已。
所以机器学习就是做菜，做进去的货色可能不尽如人意，就得不停地调整食材的搭配和火候的大小，所谓机器学习的最重要技巧，其实是特色的提取以及参数的调整，所谓大道至简，必由之路。