机器学习人造神经元，通俗解释把AI黑话转白话文

　　按照固有思维方式，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，总是讳莫如深，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的风靡一时，更加神话了这个行业，用鲁迅先生形容诸葛武侯的话来讲：多智而近妖。
　　事实上，根据二八定理，和别的行业一样，人工智能行业内真正顶尖的天才也就是20，他们具备真正的行业颠覆能力，可以搞出像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，每天的工作和我们这些人一样，枯燥且乏味，而之所以会出现类似行业壁垒的现象，是因为这个行业的黑话太多了，导致一般人听不懂，所谓黑话可以理解为行业术语，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。
　　本次我们试图使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
　　现在业内比较流行的，比如Transformer模型、GPT模型、深度学习、强化学习、卷积神经网络等等，无论听起来多么高端大气上档次，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，混合动力还是插混动力，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基本的汽车架构，说白了就是一个底盘四个轮儿，你再牛逼，你也逃不出这个基本架构。
　　所以说，机器学习的基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，它们联结之后就可以进行所谓的机器学习。所以，必须搞清楚什么是神经元，才能弄懂神经网络。
　　神经元是神经网络架构中最微小的单位，也是最小的可训练单位，一个基本的神经元结构是下面这样的：
　　毋庸讳言，大多数人看见这个基本上都会瞬间放弃，数学公式简直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，我们的机器学习之旅还没开始，就已经结束了。
　　那么我们把这个玩意儿翻译成大多数人能看懂的样子：f（sum（xw）b）
　　x代表输入的数据，w代表权重，sum代表求和，b代表偏差，f代表激活函数，最后这个公式运行的结果，就是机器学习的结果。
　　简单往里头套点数据，比如我希望机器学习的结果是10，那么，x、w、和b分别应该是什么才能让结果变为10呢？如果x2w4b2就是我们想要的结果。这也就是最基本的线性回归，我们只处理一个维度的数据，因为结果已经显而易见了，我们已经不需要机器学习了，因为靠猜也能猜出来结果是什么。
　　但是生产环境中，x并非是单维度，而是多维度的，比如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xnwn。
　　说白了，x就是一个多维特征，类比的话，假如我们想让电脑智能识图，比如识别一只猫，那么x就是猫的特征，比如形态、颜色、眼睛、叫声等等，作为多维度的输入特征x，喂给电脑，让电脑给出识别结果，这就是简单的机器学习处理分类问题。
　　这里需要注意的是，x作为特征参数，并不是越多越好，而是特征越明显越好，举个例子，你想让AI去识别鲁迅的文章，那提供的特征最好应该具备鲁迅文章的特点，而不是全量输入，因为鲁迅就算再鲁迅，他写的文字也会和别人重复，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，影响机器学习的结果。
　　另外应该知道的是，x参数特征并不是我们认为的单词或者汉字，而是一串单精度区间在01之间的浮点数字，也就是所谓的向量，因为只有数字才能套着神经元公式进行计算。
　　所以所有的文本特征在进行神经元计算之前，必须通过一些方法进行向量化操作。说白了就是把汉字转化为数字，就这么简单。
　　另外这也就证明了，电脑真的没有思想，它不理解什么是猫，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，权重是指神经元接收到的输入值的重要性，这些输入值通过乘以对应的权重，被加权求和作为神经元的输入。权重值越大，表示该输入在神经元的输出中所占的比重越大。说白了，猫的所有特征的权重并不是统一的，比如黑夜里突然一个东西跳了出来，你怎么判断它是什么物种？很明显，一声喵呜我们就可以立刻断定这是一只猫，所以叫声特征的权重一定大于其他特征的权重。
　　最后是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入上增加一个常量，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，而无法产生任何偏移。
　　说白了，b就是让xw的值更活一点，让它不是死的数。
　　最后说说f也就是激活函数，激活函数通常具有非线性的特性，这使得神经网络能够拟合非线性的复杂函数，从而提高其性能和准确度。
　　说白了，如果没有激活函数，我们的权重计算就是线性的，什么叫线性？如果把x特征从1开始输入，一直到100，然后将计算结果绘制成图：
　　我们会发现计算结果是一根直线，这显然不符合客观规律，更符合生物特征的形态应该是曲线，所以说白了，激活函数f的作用就是把直线变成曲线。
　　最后，我们把神经元公式改造成方便我们理解的形式：期望结果激活函数（求和（特征权重）偏差）。
　　如果用代码实现这个公式：funcneuron（inputs〔〕float64，weights〔〕float64，biasfloat64）float64｛iflen（inputs）！len（weights）｛panic（inputsandweightsmusthavethesamelength）｝sum：biasfori：0；ilen（inputs）；i｛suminputs〔i〕weights〔i〕｝returnsum｝
　　这个函数接收两个长度相同的浮点数数组inputs和weights，以及一个偏置值bias。它通过将每个输入值乘以其对应的权重，加上偏置值，得到神经元的加权和。最后，函数返回这个加权和作为神经元的输出值。
　　使用这个函数时，可以将输入数据和权重作为参数传递给它。例如，假设我们有一个二分类问题，输入数据有两个特征：x1和x2，并且我们有一个包含两个权重和一个偏置的神经元。那么可以这样调用神经元公式：inputs：〔〕float64｛x1，x2｝weights：〔〕float64｛w1，w2｝bias：boutput：neuron（inputs，weights，bias）
　　这里返回神经元的输出值，所以，谁说学习人工智能必须得用Python？我们就骄傲地使用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使用过程，第一步收集所有的特征数据，然后进行权重分配，最后向量化操作，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），最后过一下激活函数，最终得到一个期望结果，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，也就是最基本的东西，一般人都能掌握，比如打篮球，规则非常简单，核心就是运球和投篮，无对抗下小学生也能瞬间掌握，但小学生没法去打NBA级别的比赛，因为很多高端的篮球技术是构筑于运球和投篮的，需要经年累月的练习和自身天赋的加成，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单，通过特征输入，经过神经元公式，得到的结果真的一定是我们所期望的结果吗？
　　其实未必，机器学习还包括两个极其重要的概念：前向传播和反向传播。
　　前向传播是指将输入数据从神经网络的输入层传递到输出层的过程。在前向传播过程中，输入数据通过神经网络的每一层，每个神经元都会对其进行一定的加权和激活函数计算，最终得到输出层的输出值。这个过程也被称为正向传播，因为数据是从输入层依次向前传播到输出层。
　　反向传播是指在前向传播之后，计算神经网络误差并将误差反向传播到各层神经元中进行参数（包括权重和偏置）的更新。在反向传播过程中，首先需要计算网络的误差，然后通过链式法则将误差反向传播到各层神经元，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下降，因为它是通过梯度下降算法来更新神经网络参数的。
　　说白了，前向传播就是由特征到结果的过程，反向传播则是逆运算，用结果反推过程。
　　回到分类问题，我们输入了猫的特征和特征权重，经过计算，结果未必是猫，可能是狗，或者是耗子，也可能是别的什么东西，但这不重要，重要的是我们需要拿到一个结果的误差，这个误差越小越好，而反向传播就是帮我们推算误差到底有多大的方法。
　　而误差的大小就取决于特征的输入，导致机器学习结果错误的根源是参数，此时，我们需要调整参数的输入，从而减小误差值，这也就是人工智能行业从业人员经常说的调参。
　　比如，我们期望结果是猫，结果计算机返回狗，那么调整参数，结果返回熊猫，那么就说明调大发了，继续调整，直到计算机返回结果：猫。
　　在Golang1。18中，可以通过以下代码实现反向传播：funcbackpropagation（inputs〔〕float64，targets〔〕float64，networkNetwork，learningRatefloat64）｛1。前向传播，计算每个神经元的输出值outputs：feedforward（inputs，network）2。计算输出层的误差outputErrors：make（〔〕float64，len（outputs））fori：rangeoutputs｛outputErrors〔i〕outputs〔i〕targets〔i〕｝3。反向传播误差，计算每个神经元的误差值fori：len（network。layers）1；i0；i｛layer：network。layers〔i〕errors：make（〔〕float64，len（layer。neurons））3。1。计算神经元的误差值ifilen（network。layers）1｛输出层的误差forj：rangelayer。neurons｛errors〔j〕outputErrors〔j〕sigmoidPrime（layer。neurons〔j〕。output）｝｝else｛隐藏层的误差forj：rangelayer。neurons｛errorSum：0。0nextLayer：network。layers〔i1〕fork：rangenextLayer。neurons｛errorSumnextLayer。neurons〔k〕。weights〔j〕nextLayer。neurons〔k〕。error｝errors〔j〕errorSumsigmoidPrime（layer。neurons〔j〕。output）｝｝3。2。将误差值保存到神经元中forj：rangelayer。neurons｛layer。neurons〔j〕。errorerrors〔j〕｝｝4。更新神经网络的权重和偏置fori：rangenetwork。layers｛layer：network。layers〔i〕4。1。更新权重forj：rangelayer。neurons｛fork：rangelayer。neurons〔j〕。weights｛ifi0｛输入层的权重layer。neurons〔j〕。weights〔k〕learningRatelayer。neurons〔j〕。errorinputs〔k〕｝else｛隐藏层和输出层的权重prevLayer：network。layers〔i1〕layer。neurons〔j〕。weights〔k〕learningRatelayer。neurons〔j〕。errorprevLayer。neurons〔k〕。output｝｝4。2。更新偏置layer。neurons〔j〕。biaslearningRatelayer。neurons〔j〕。error｝｝｝
　　这个函数接收输入数据inputs、目标数据targets、神经网络network以及学习率learningRate作为参数。它首先调用feedforward函数进行前向传播，计算每个神经元的输出值。然后，它计算输出层的误差，通过误差反向传播，计算每个神经元的误差值，并将其保存到神经元中。
　　接下来，函数根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，需要根据神经元所在的层来选择更新的权重类型（输入层、隐藏层或输出层），然后根据误差值和输入数据或上一层神经元的输出值来更新权重。在更新偏置时，只需要根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传播的所有步骤，可以用于训练神经网络并提高其准确度和性能。结语
　　大道不过三俩句，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，也无须贬低，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，掌握了做菜的底层原理，就能做出好菜，其他的，比如刀工、颜色等等，不过就是锦上添花的东西，而已。
　　所以机器学习就是做菜，做出来的东西可能不尽如人意，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，其实是特征的提取以及参数的调整，所谓大道至简，殊途同归。