由神经网络机器学习的算法谈谈人的成瘾以及疲惫机制
什么是神经网络
对于一个内部未知的复杂的系统,对人来说,这就像一个黑盒子。要如何去理解它内部的变化规律呢?
神经网络学习算法,通过系统不断的反馈,来调整自身的网络权重,从而使神经网络能够大致的表示系统输入与输出的关系。称之为反向传播算法。
许多系统是非常复杂的,输入与输出的关系有无穷多个,所以神经网络只能大致的建立输入输出的关系。例如图像识别技术,专家系统等等。
正是由于系统太复杂了,已经不能够靠人为的进行数学建模,来精确的表示系统内部的变化规律了。
所以,只能进行大致的评估,数学建模也只能大致的表示内部关系。神经网络的输入,正是全局数据。例如图像识别技术,需要将一整张图像数据当作输入数据。输入与输出数据的关系非常的复杂,无法确定数学关系,只能依赖神经网络拟合。而拟合,通常就有不准确性。
这种系统复杂现象,现实中有一个非常经典的案例可以进行说明。也就是中西医之间的关系。
西医,从局部入手,来对人体进行诊治。系统局部由于比较小,可以进行数学建模,一个药效能够产生什么结果,为什么会产生这个结果,都显而易见并且可以验证。
而中医,恰好相反,一开始就从整体入手,进行政治。由于整体的复杂性,已经不可能通过数学建模来精确的表示人体这个系统的内部规律了。所以,只能靠拟合来接近内部的规律。所以,中医通过阴阳五行理论来拟合人体内部的变化规律。
可以看到,中西医关系非常的对立,但如果要达到更高水平的医术,双方都需要向对方靠近。西医需要掌握全局,而中医需要向深化局部。如果都在两端,则医术不会高明,容易诊断失误。
人的大脑主要有神经网络组成,并且通过训练,能够使反应速度不断加快,加强常用网络的连通性。而对于无用的神经网络,则丧失连接性。正是这个原因,人可以通过训练,可以强化一些技能。并通过不断的感知系统的反馈,来了解一个黑盒系统的内部变化规律。
成瘾以及疲惫机制
训练大脑的神经反应,可以强化两个方向,一个是技巧,一个是策略。
技巧强化很好理解:熟能生巧。卖油翁就是个很好的例子。这里不必多谈。
策略强化,这是一种通过不断失败,然后反复尝试,来感受系统内部变化规律,掌握变化规律之后,再来优化策略的模式。
但是一个人,通过反复训练,做一些事情的时候,有时上瘾,有时疲惫。这又是什么原理?
根本原因是训练收益。
如果一个行为,通过反复训练,人可以得到收益,则是正向的,容易成瘾的。
上瘾,本质上是一个人进入了一个循环中:通过训练-->技巧或策略成长-->获得收益-->继续训练-->成长-->获得收益。
这个过程不断强化,根本停不下来。这也是人的进化机制导致的。
而当训练没有收益的时候,人获得的感觉不是成瘾,而是疲惫。
神经网络的反向传播算法,需要对系统输出的每一个反馈结果,计算误差,也就是得失。如果不知道得失,则训练不出有效的网络模型。
而人,是通过成瘾与疲惫,来感知一件事情是否有价值。也就是说,当你做一件事情成瘾的时候,很可能这件事情是有正反馈的。而当你做一件事情感到疲惫的时候,很可能这件事情不能产生价值。
许多示例可以支持这些观点:
以《仁王》这款游戏举例:这是一款动作游戏,玩家可以使用不同的武器,学习不同的武技。玩家可以通过不断的训练,来提升自己的操作技巧。玩家技巧提升之后,在这个游戏中,收益几乎是无限制的,上不封顶的。一些玩家进行过这项挑战:不升级,不依赖装备的情况下,通关整个游戏。也就是说,这款通关方式有很多,但如果你将技巧训练到极致,不依靠任何其他方式,也能打倒所有boss,然后通关。无敌——就是技巧的收益。万花丛中过,片叶不沾身。
《王者荣耀》这款游戏,则更多的是对局势的把控。局势,就是人通过与敌人的交锋来得到的。例如上路玩家感受到对面压力很大。又或者说走优势路,有或者玩家能够清楚的感觉到局势。“势”就是一种系统变化规律的体现。人可以通过策略,来以优势打别人的劣势。只有不断的尝试,反复的游玩,才能感受到势的变化。
游戏的成瘾机制,虽然非常的大,但无论如何,都有上限。这是因为玩游戏,并不能对一个人的生活产生有价值的东西。所以一个人玩的久了,始终有一种空虚感,疲累感。当正向反馈中断,或者达致巅峰,就是一款游戏命运的终结。
一个人玩游戏之后,游戏并非对人没有产生一点影响。游戏训练了这个人的神经网络,是人的反应速度,策略技巧都有成长。但只对这款游戏的环境有效。换一种环境,这些训练的成果,可能就不适用了。这正是目前人工智能泛化能力的局限性。一个神经网络训练出来了,只适用于特定的条件。
再比如赌博成瘾。赌博成瘾是一种很难控制住的成瘾机制。它有时产生收益,而赌徒总是妄图通过训练,来摸清系统内部的规律,来获取更大的收益。这对正常系统是有效的,但对于内部完全随机的系统,是无法摸清规律的。也就是没有规律可言。这个时候,无论玩多少把,都无法通过胜负来摸清规律。
这些理论对我们生产生活有什么指导意义呢?
我觉得可以得到以下两个结论:
对于现实中复杂的系统,只要可以不断的尝试,可以摸清系统内部规律,来指导个人的生产生活。感受系统内部规律这种事情,是不需要任何学习的,人天生就会。也无关学历高低。只要有大脑就可以了。
如果一个人感觉非常累,最好就要反问一下自己:你在做的事情,到底有没有意义?
由神经网络机器学习的算法谈谈人的成瘾以及疲惫机制相关推荐
- 神经网络之BP算法学习记录(大多借鉴于《神经网络与机器学习——邱锡鹏》)
神经网络之BP算法 神经网络 前馈神经网络 反向传播算法 损失函数 梯度下降法 梯度下降法在前馈神经网络中的应用 反向传播算法中的梯度下降法 反向传播算法MATLAB示例 使用newff建立神经网络 ...
- 【机器学习笔记】神经网络反向传播算法 推导
神经网络反向传播算法 推导 (一) 概念及基本思想 (二)信息的前向传播 (三)误差反向传播 (1)输出层的权重参数更新 (2)隐藏层的权重参数更新 (3)输出层与隐藏层的偏置参数更新 (4)反向传播 ...
- 有关神经网络的训练算法,神经网络训练计算器app
为什么要用GPU来训练神经网络而不是CPU? 许多现代神经网络的实现基于GPU,GPU最初是为图形应用而开发的专用硬件组件.所以神经网络收益于游戏产业的发展. 中央处理器(central proces ...
- 深度学习(机器学习)算法面试(一)
1.请简要介绍下SVM. SVM,全称是support vector machine,中文名叫支持向量机.SVM是一个面向数据的分类算法,它的目标是为确定一个分类超平面,从而将不同的数据分隔开. 扩展 ...
- 深层神经网络与优化算法
深层神经网络与优化算法 为什么使用深层网络 对于人脸识别等应用,神经网络的第一层从原始图片中提取人脸的轮廓和边缘,每个神经元学习到不同边缘的信息:网络的第二层将第一层学得的边缘信息组合起来,形成人脸的 ...
- 人工智能之机器学习常见算法
https://blog.csdn.net/BaiHuaXiu123/article/details/51475384 摘要 之前一直对机器学习很感兴趣,一直没时间去研究,今天刚好是周末,有时间去各大 ...
- 机器学习常见算法汇总
原文地址:http://www.ctocio.com/hotnews/15919.html 偶然看到的一篇文章,这篇文章写的很清晰,所以转载一下,补充自己的知识库,以下为正文 机器学习无疑是当前数据分 ...
- 机器学习——常用算法的总结
机器学习常用算法总结 机器学习--常用算法的总结 学习方式 一.监督式学习: 1.分类 2.回归 补充--线性回归与逻辑回归 二.非监督式学习: 三.半监督式学习: 四.强化学习: 算法类似性 一.回 ...
- 人工神经网络有哪些算法,神经网络都有哪些算法
人工神经网络分类方法 从20世纪80年代末期,人工神经网络方法开始应用于遥感图像的自动分类. 目前,在遥感图像的自动分类方面,应用和研究比较多的人工神经网络方法主要有以下几种:(1)BP(BackPr ...
最新文章
- android 绘画,Android绘图基础
- Redis重要文档、数据结构、操作行为
- C++ 类构造函数初始化列表介绍
- 程序设计基本概念(3)(sizeof)-2.20 2.23
- mysql5.7只安装服务端_Windows Mysql5.7.11 服务端安装详解
- [HTB]“Heist”靶机渗透详细思路
- 读取本地图片存入数据库
- 【kafka】kafka 消费报错 No entry found for connection
- click quickstart
- 做一个计算器_如何设计一个JavaScript插件系统,编程思维比死磕API更重要
- 解决Android的adb命令行报错Permission denied
- 不懂代码也想学会深度学习?这本书告诉你真的很简单
- win10默认壁纸_小白个人系统安装美化(二)win10系统美化设置篇
- 华为HG8240F光猫破解
- Quuppa_基站灯闪烁原因
- Python:Flask简单实现统计网站访问量
- 邮箱批量登陆工具测试版
- 影视剧作中的经典桥段部分
- 成功解决:1136 - Column count doesn‘t match value count at row 1
- 互联网日报 | 蚂蚁集团确定IPO发行价;小米双11将拿出10亿补贴;特斯拉上海超级工厂启动整车出口...