文章目錄
人工智慧是一門科學，主要是探討使機器能夠模仿人類智慧或行為的技術，而許多人在思考人工智慧 (Artificial Intelligence)、機器學習 (Machine Learning)、神經網路 (Neural Networks)和深度學習 (Deep Learning)彼此間的關係時，除了用集合圖來表示外，另一個簡單方法就是將它們想像成俄羅斯娃娃，也就是每個術語本質上都是前一個術語的組成。也就是說，機器學習可以看成是人工智慧的一個子領域，深度學習是機器學習的一個子領域，而神經網路則是構成深度學習核心的機器學習技術。
神經網路是一種受人腦結構啟發的機器學習技術，專注於用來自動提取原始資料中的有用模式 (Patterns)，然後使用這些模式或特徵 (Features)來學習執行某任務。由於神經網路的角色是構成深度學習演算法的一個重要支柱，所以對於初學者來說，您可以將深度學習視為較多層的大型神經網路將會更容易理解。
那神經網路是如何運作的呢？我們用一個簡單範例說明。首先，初學者可以先將神經網路看成是一個黑盒子，也是一台我們還不是真正瞭解其內部運作方式的機器。我們希望這台機器可以接受一定數量輸入，並有一定數量輸出。例如，我們希望對圖像進行分類(草莓或藍莓)，那麼我們希望輸入資料會是圖片中的像素，輸出則是我們擁有的類別數(草莓跟藍莓兩個類別)。
機器有了輸入(圖片像素)和輸出(類別)後，要如何控制怎樣的輸入會產生怎樣的輸出呢？我們可以想像神經網路這個機器上面有無數個旋鈕，只要我們將這些旋鈕調到正確的位置，就可以將輸入的內容轉換成我們想要的輸出，而這些“旋鈕”就是所謂神經網路的參數。例如，給機器一張草莓圖像，但機器卻告訴我們這是藍莓，代表機器還沒有辦法給予我們想要的答案，那麼我們可以繼續調整機器的旋鈕(也就是所謂的調整參數)直到機器告訴我們它看到的圖像是草莓，此時黑盒子就是訓練好的模型。
現在就讓我們利用 AI Playground 平台作為學習工具，實際操作並了解神經網路相關工作方式與應用。其他更多詳細介紹可參考「從 AI 到 生成式 AI：40 個零程式的實作體驗，培養新世代人工智慧素養」這本書。
1. 單個神經元工作方式
- 活動目的：利用互動式功能，瞭解單個神經元工作方式以及激勵函數的應用。
- 活動網址：AI Playground
- 使用環境：桌機及瀏覽器
Step 1. 登入神經網路活動平台
進入平台後，我們需先註冊一個免費帳號並登入，然後先點擊左側 ①「神經網路」後，再點擊上方 ②「神經元」，就可以按下 ③ 「next」 一步一步開始進行探索。本篇文章會先從單個神經元工作方式開始，未來將會陸續介紹多個神經元工作方式以及神經網路工作方式，讀者可以藉由平台操作及本文介紹進行了解。
Step 2. 神經元輸入資料
直接點擊畫面上方「神經元」的選項，並按 next 至下方畫面。本互動網站主要提供大家一些神經網路基本認識，所以提供的資料不會太複雜。網站會先提供神經網路一份藍莓的資料(如下圖，含長度及圓度兩個值)，並將其當作進入神經元的輸入。
Step 3. 資料運算
接下來我們可以按下 next 會看到有出現紅底的互動 (interactive) icon。可以看到神經元中間的數學過程，會將每個輸入(長度2 及圓度10)乘以一個權重(初始值是隨機數)，加總後再加上一個特別數字 – 偏差(bias)，也就是圖中的 0.21 (隨機值)。
Step 4. 調整權重
可以將滑鼠游標移在線上(也就是權重)。點擊如下圖中出現的 -/+ 來手動增加/減少權重的值。你將會發現神經元內的權重值也會跟著改變。權重值如果是正的將會以藍色線呈現，反之若是負的則會以橘色線表示。
Step 5. 使用激勵函數 (Activation Function)
按下 next 後，會發現在神經元內原先的值，將會放進一個激勵函數(Activation Function)來做轉換，不會直接將加總後的值單純輸出。下圖的激勵函數是使用 sigmoid 函數，它會將加總後的值控制在 0 到 1 之間，避免任意擴大。
(補充：Sigmoid 是一個常用的激勵函數。它會把輸入是負數時的輸出，規範在0 ~ 0.5 之間；而輸入是正數時的輸出，規範在0.5 ~ 1 之間。也就是將所有輸出控制在0~1 之間。)
下圖則是另一個常用的激勵函數(Activation Function) ReLU。它主要是將輸出控制在非負數的狀況。
(補充：ReLU 是神經網路隱藏層中最簡單也是最常用的激勵函數，公式非常簡單，如果輸入是正值，則返回該值，否則返回 0。其用意是把負值的狀況排除掉。)
激勵函數在神經網路中是非常重要的，因為它可以將原先線性的關係變為非線性，也就是對無法用直線進行分隔的資料。
使用激勵函數得到的值就是此神經元最後輸出(也可以稱為激勵) 。
本活動的互動過程中，不管是使用哪一種激勵函數，平台會將更活躍的神經元以較亮的黃色顯示。使用者也可以將滑鼠移至神經元上面將可看到其背後數學公式。
2. 神經元運作三個步驟
經由上面的互動講解後，相信讀者對單一神經元的工作方式將會認識許多。同時也可以讓初學者很快瞭解一個神經元運作的三個步驟(如下圖)。
本篇文章介紹神經網路中單個神經元的工作方式，藉由活動中的操作及說明，來了解在一個複雜的神經網路中，最基本的單個神經元是如何運作。接下來，我們將利用此基礎延伸到多個神經元的工作方式，並且學習如何來建立一個能辨識圖像任務的神經網路。藉由互動的 AI Playground 平台，與文章中 Step by Step 的說明，相信可以啟發下一代學生對神經網路的興趣與認識，並且能夠擴展到現在非常火紅的生成式 AI。後續文章也會在這些基礎上，讓大家學習更多觀念及有趣的專案。
如果大家想要了解多個神經元工作方式，或是神經網路與深度學習的相關基礎知識，可以參考這一本書【從 AI 到 生成式 AI：40 個零程式的實作體驗，培養新世代人工智慧素養】，或是 SimpleLearn｜Online 課程，它將帶領讀者在不會程式、不會數學也OK!的情況下，建立最完整的 AI 入門知識。
如果你喜歡這篇文章歡迎訂閱、分享(請載名出處)與追蹤，並持續關注最新文章。同時 FB 及 IG 也會不定期提供國內外教育與科技新知。