人工神經網絡 ANN

應讀者要求，今次為大家簡介人工神經網絡 ANN。

人工智能中的機器學習 (Machine Learning) 常用人工神經網絡 (Artificial Neural Network，ANN) 模型作為學習的系統，所謂的ANN，是指參考動物的神經網絡原理，建構一套機器學習系統，如圖1所示，動物神經網絡中透過突觸 (Synapses) 互相聯繫，從而作出分析、學習和判斷。

圖1 生物神經網絡。生物神經網絡。

何謂人工神經網絡？

人工神經網絡模仿生物神經網絡概念，把學習判斷簡化為合計多項參數及其加權後能否通過突觸的數值，發展出一套機器學習的人工智能模型。人工神經網絡的單元分為輸入層 (Input Layer)，隱藏層 (Hidden Layer)，輸出層 (Output Layer)。

圖2 生物神經網絡與人工神經網絡。生物神經網絡與人工神經網絡。生物神經網絡與人工神經網絡。

圖3示範人工神經網絡如何運作，首先，假設這一決策只有三項輸入參數，即使沒有向機器提供決策定律，只要為機器提供大量參數和答案數據訓練，機器便可學習如何為不同的輸入參數作出判斷和決策。

每次訓練輸入不同的參數 (左邊輸入層箭頭)，機器為它們調整加權(0.7，0.6，1.4)，然後合計 (sum) 並加上偏權值 (bias)，然後嘗試通過突觸激活 (activate)，若所得數值與實際數值(答案)相差太大，判斷便不能通過，須回饋調整加權，直至加權能準確判斷為止。

圖3 人工神經網絡概念。人工神經網絡概念。人工神經網絡概念。

突觸激活功能

從錯誤中學習是生物學習的過程，機器學習亦然 (Yiu & Yau, 2006)，機器學習決策必然有可能犯錯，數據分析必定有誤差，因此經過加權計算分析所輸入的參數後，人工神經網絡的決策依賴一組激活功能 (Activation Function)，以決定應該判斷為0或1。常用的激活功能如S函数或TANH函数 (圖4)，決定通過與否。

圖4a Sigmoid函数Sigmoid函数Sigmoid函数

機器學習的重點在於訓練 (學習)! 所謂的訓練就是把機器的判斷與正確的答案比較，看看機器的判斷有多準確，初學時犯錯不要緊，只要不斷把誤差回饋至神經網絡，再學習時修正加權，把判斷的準確度不斷提高，直至準確度達至預定水平為止。一切就像訓練小朋友學習一樣，在學習階段身邊必須有一位誠實可靠的教練，為小朋友的判斷加以提醒，加以鼓勵，自然有所成就！

圖4b Tanh函数Tanh函数Tanh函数

機器學習估算樓價

以估算樓價為例，假設一機器學習模型根據住宅單位的三項參數評估樓價 (其他參數相同)，即房間數量 (BR)，落成年份 (YEAR BUILT) 及樓面面積 (GFA)，如圖5所示，不同住宅單位的參數各有不同，第一伙為一房單位，面積23平方米，建於1990年，機器為此單位估算樓價，得出十萬元，然後與實際售價比較，應為205,500，錯得離譜；但機器把誤差修正，下次再估類似單位，準確度有所提高。經過多次的訓練，機器在訓練組別的數據中已達至預定的準確度，得出可靠的加權數值和隱蔽層的數值 (圖6)，現在可以到現實世界測試，如圖5輸入最後一行的數據，即2房，50平方米，建於2000年的單位售價，您估應是多少？

圖5 樓價估算訓練數據

圖6 經過訓練後的加權數值和隱蔽層的數值。

網上有不少短片提供更詳細和更有趣的ANN例子，如以下的Youtube，介紹如何用ANN訓練機器判斷手寫0，1，2，...，9，但只有英文版: 3Blue1Brown，But what is a neural network? | Chapter 1, Deep learning。

參考：

Yiu, C.Y. and Yau, Y. (2006), "A learning model of intelligent home", Facilities, Vol. 24 No. 9/10, pp. 365-375. https://doi.org/10.1108/02632770610677646