人工神经网络的发展趋势

　　欢迎各位阅读本篇,人工神经网络(Artificial Neural Networks, ANN)，一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。本篇文章讲述了人工神经网络的发展趋势，编程学习网教育平台提醒各位：本篇文章纯干货~因此大家一定要认真阅读本篇文章哦!

　　深度学习机器能够呈现人脸衰老后的模样，但却往往越变越不像本人。现在计算机科学家已经解决了这个问题。

　　我们将会如何变老?这个问题令人着迷。事实上很多人都对自己在20年、30年、甚至40年后会变成什么样充满了好奇。

　　目前已经有不少技术可以模拟我们的年龄变化，但大多非常耗时且昂贵。若有一种方法可以便宜又快速地在照片中老化人脸，那可就方便多了。

　　在这里向大家介绍来自法国Orange Labs的Grigory Antipov和他的小伙伴们，他们开发的深度学习机器可以轻松做到这一点。他们的系统不仅能够模拟年轻的脸衰老后的模样，还可以使衰老的脸变得年轻起来。

　　近年的一些技术发展推动了他们的产品开发。这几年，计算机科学家设计了能够以各种形式修改脸部图像又不失真的深度学习机器。这个方法能够创造出更加逼真的衰老人像。

　　然而问题是，脸部图像在深度学习机器修改过程中逐渐身份模糊，变得越来越不像本人。导致最后人是变老了，但也认不出来了。

　　Antipov和他的公司找到了一种解决方案。他们采用了两台深度学习机器协同工作——脸部图像生成器和人脸鉴别器。在学习人脸随年龄的变化时，两台机器会分析大量不同年龄层的人的照片：0～18，19～29，30～39，40～49，50～59，及60岁以上。

　　训练深度学习机器的过程涵盖了每个年龄层的5000张脸，照片来自互联网电影资料库(IMDb)以及维基百科(Wikipedia)，每张照片都被标注了人的年龄。这样一来机器就了解了每个年龄层的脸部特征，并能够将特定年龄层的特征运用到其他人脸上使它们也看起来像同一年龄层的脸。

　　为了防止身份模糊，第二台深度学习机器——人脸鉴别器，会检测合成后的老化人脸是否还能认得出来，如果不能，图像就无法通过。

　　Antipov和他的公司把这个流程叫作“条件性年龄模拟对抗网络”，“对抗”一词是缘于两台深度学习机器反向运作，一个致力于改变(老化)，一个致力于还原(鉴别)。

　　最后的效果令人印象深刻。开发团队将该技术用在来自IMDb和Wikipedia的1万张人脸上，这1万张都是机器此前没见过的。然后他们用OpenFace来测试处理前和处理后的照片上是不是同一个人。与其他只有50%正确率的人脸修正技术相比，这种新技术拥有80%的正确率。

　　当然这种技术不仅可以用来老化人脸，还能年轻化。

　　有一个很明显的对比测试还没做：对比电脑合成的年轻化人脸图像以及真人在年轻时期的脸部照片。这能够很好地测量该技术的准确性，也许未来可以试试。

　　Antipov表示，他们的技术可以应用于辨认失踪多年的人。此外如果他们把算法公开的话，那么随便玩玩也很有趣。

　　人工神经网络：

　　概念

　　由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

　　人工神经网络具有四个基本特征：

　　(1)非线性 非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

　　(2)非局限性 一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。

　　(3)非常定性 人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。

　　(4)非凸性 一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。

　　非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。

　　人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。

　　网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据;输出单元实现系统处理结果的输出;隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。

　　它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。

　　人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

　　小结：这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。当然如果大家还想了解更多方面的详细内容的话呢，不妨关注编程学习网教育平台，在这个学习知识的天堂中，您肯定会有意想不到的收获的!