为什么机器可以通过神经网络，不断学习，从而获得成长？

我们都知道，人类的大脑是有很多神经元的，这些神经构元成了神经网络，使得我们人类可以不断的学习，从而获得新的技能。那么机器应该怎样让它不断的学习，获得技能呢？就有科学家想到，可不可以通过设计，让机器模拟大脑的神经网络来学习呢？这一个想法得到了许多人的认同，于是科学家们纷纷去研究这个技术。

要说神经网络，就要了解它最基本的单位神经元，生物上的神经平时往往是不活跃的，只有被刺激后才会开始工作，它的工作就是给其他神经元传播化学物质，也就是说，它可以传递信息。那么机器上的神经元又是怎样的呢？其实一开始科学家们也是仿照了生物上的神经元，只有两种状态，但是很快他们发现，这样的模型太粗暴了，后来就改进了这个模型，开始用sigmoid函数来设计神经元的模型。每个神经元其实都可以看作一个计算和存储的单位，会计算别的神经元传递给它的数据，并且把自己计算出来的结果传递给下一个神经元，无数个神经元就构成了神经网络，将数据输入神经网络，它经过计算就可以输出数据，也就是得到结论。

但是这样有一个问题，那就是模型如果固定了的话，那么这个机器就不会自己学习了，因为每次你输入给它一个数据，它得到的都会是一个固定的输出，就不能通过训练来使它变聪明了。所有科学家们在思考后，决定调整权值来让机器进行自主学习。也就是说，他们会用大量的数据来训练机器，从而使机器内部的神经元的权重不断的优化，这样这个模型就能不断的改进，让机器从数据中得到成长，训练到一定程度后，就能得到一个比较聪明的机器了。

在训练的过程中，有两个地方很重要，一是用来训练的数据的质量，要知道，机器是通过这些数据来自我学习的，如果这些数据质量不好，那么他们也会受到不好的数据的影响，导致最终得到的模型权重设置不正确，最后做出错误的判断。二是算法优化问题，在训练过程中，是通过算法来调整机器的权重值的，算法的好坏，体现了设计人员的水平，也决定了这个机器是否聪明。一个机器的优化算法好的话，可以很快的就从训练中改进自己的权重，并且变得十分聪明，预测事情的成功率十分高。而如果优化算法水平不够的话，也许训练了很久之后，模型的权重依旧跟实际生活中的差距很大，这样做出来的机器，就会常常预测失败，自然也没什么使用价值了，所以往往科学家们要花很多精力来改进自己的算法。

看来，要想让机器通过神经网络来自主学习，可真不是一件轻松的事情啊，对设计者的要求十分的高，，难怪那些科学家的工资都那么高。不过要不是有他们在不断的探索，机器的智能水平也很难提高，也许在不久之后，就会出现比人还聪明的机器了呢。你对这方面的技术是否感兴趣呢？如果感兴趣的话，可以多了解一些神经网络相关的知识。