《Python神经网络》2——神经元

虽然计算机拥有相对大量的电子计算元件、巨大的存储空间，并且这些计算机的运行频率比肉蓬蓬、软绵绵的生物大脑要快得多，但是即使是像鸽子一样小的大脑，其能力也远远大于这些电子计算机。

传统的计算机按照严格的串行顺序，相当准确具体地处理数据。对于这些冰冷坚硬的计算机而言，不存在模糊性和不确定性。而另一方面，动物的大脑表面上看起来以慢得多的节奏运芹答行，却似乎以并行方式处理信号，模糊性是其计算的一种特征。

虽然神经元有各种形式，但是所有的神经斗吵元都是将电信号从一端传输到另一端，沿着轴突，将电信号从树突传到树突。然后，这些信号从 一个神经元传递到另一个神经元。

我们需要多少神经元才能执行相对复杂的有趣任务呢？

一般来说，能力非常强的人类大脑有大约1000亿个神经元！一只果蝇有约10万个神经元，能够飞翔、觅食、躲避危险、寻找食物以及执行许多相当复杂的任务。  10万个神经元，这个数字恰好落在了现代计算机试图复制的范围内。    一只线虫仅仅具有302个神经元，空首侍与今天的数字计算资源相比，简直就是微乎其微！但是一直线虫能够完成一些相当有用的任务，而这些任务对于尺寸大得多的传统计算机程序而言却难以完成。

激活函数：

阶跃函数，S函数。

大家都知道，脑子这个好东西，那现如今我们模仿得怎么样了？

据统计，现阶段全球已经有20家上下有关创企，尽管融资轮次多集中在A轮，但每家企业拿到手的融资额短则一定更多就是过亿。

其中还有一家公司完成了发售，也有3家上下完成了自己家新产品的批量生产。尽管面对众多难解难题，类脑计算，早已从试验室走向商业化的探索。据政府部门预测分析，2035年类脑计算的市场份额约200亿美金。

就在这个月，美国还公布资金投入5亿人民币打开脑计划2.0，提前准备制作史上最牛人类人的大脑细胞图谱。这一媲美曾经的基因组方案，将很好地帮我们解除时下类脑计算科学研究中出现的谜团。

那样，头脑这东西，究竟模仿的怎样了？

量子位智库在与行专业人士开展多次沟通交流以后，写出这一份《类脑计算产业深度报告》，尝试给大家一个全方位的回答。

技术性篇：现阶段处在计算智能化到感知智能的过渡阶段

如同他们所见，人工智能是依靠庞大信息量和精准计算，在近几年来获得了许多举世瞩目的发展。但是和人的大脑对比，其根据的神经网络算法（DNN）在信息资源管理效率，即速度与功耗上，主要表现仍还不够好。

在其中“速率”就是指他在计算不一样神经系统层导出要以次序的形式进行，造成各层都必须要等候上一层的导出计算进行之后才能实行下一步，缺乏构架协调能力。“功耗”则指的是在冯诺依曼构架下，庞大信息量代表着经常且大规模计算，接踵而来便是功耗的急速提升。

但是我们的人的大脑备卜靠这其中的神经元以脉冲的方式进行信息的传递，约870亿次神经元相对高度离散系统投入工作，每一个神经元在外部和外部都和别的神经元有高达10000个联接，背负着数十万个配合的并行处理全过程，功耗却只需20W左右。

因此大家把一部分眼光转向了类脑计算。从界定上来说，现阶段的类脑计算可分为广义和狭义两种。小范围类脑计算指的是效仿脑神经结构与原理而革新出去神经形状计算，学界称之为Brain-likeComputing。

广义上类脑计算则在参考脑的结构与原理的前提下，又不拘泥于对脑的仿真模拟，还会继续结合传统神经网络算法(ANN)以及具有大量类脑特点的异构体神经元网络，学界称之为Brain-inspiredComputing。相较于深层学习上的DNN，类脑计算的探索重点围绕SNN互联网进行。

所说SNN，全名脉冲神经元网络，是第三代神经网络算法。它是以0/1脉冲编码序列表述信息流广告，编号里包括了时长信息内容，与ANN本质区别是有着时序性。

只有在神经元膜工作电压累积到特定工作电压阀值时SNN的神经元才能充放电（派发脉冲），并不能在每一个信息的传递的时间也被激话。

对各种SNN实体模型，现在还没有一个统一的训练算法，热门的最少包含三种：以上SNN模型和算法稿尺，加上模拟仿真架构及其数据，就形成了类脑计算技术生态的app一部分。硬件配置绿色生态一部分则主要包含类脑芯片和新式储存器。

在其中，类脑芯片主要分为三类，包含：适用脉冲神经元网络神经形状处理芯片：TrueNorth、Loihi、达尔文处理芯片等；适用人力&脉冲神经元网络的异构体结合处理芯片：天手表机芯、Loihi2、领键滚高启KA200；适用神经元程序编写的脑仿真平台：SpiNNaker、BrainScaleS、领启KA200等。

新式储存器主要是指忆阻器，它结构紧凑、集成化密度大，本质上一个就能实现神经突触功能的，可巨大的提高神经递质相对密度，是以硬件配置方面完成类脑神经元网络高效方式之一。

比较热门的研究内容都集中在RRAM（阻变忆阻原材料）和MRAM（带磁忆阻原材料），在其中已经有企业在做RRAM商业的落地式。从科学研究进度上来说，欧美国家在总体上具备先发优势。类脑计算这一概念最开始是在上个世纪80时代，由一个称为CuverMead的美国专家提出。

1995年，瑞士苏黎世联邦理工学院和苏黎世大学首先协同创立神经信息研究所（INI），宣布开辟了类脑计算研究综述的先例。到2004年上下，此项技术性便开始获得了IBM、曼彻斯特大学等多家著名机构宣布“亲睐”。接着，越来越多组员添加该序列。

总体来看，海外主要是以IBM、英特尔、德国海德堡大学、曼彻斯特大学等作为意味着，成效包含下面这些：中国类脑计算的探索起源于2014年上下，以清华大学、浙江大学、中科院等作为意味着，主要成果包含异构体（SNN+ANN）结合的“天玑”芯、达尔文处理芯片及其该处理芯片所组成的类脑计算机等。

据专业人士研究，总体来看，类脑智能化的高速发展将会经历计算智能化-感知智能-认知智能-独立智能化四个阶段，每一个阶段相对应的实用价值都不尽相同：计算智能化时期的运用关键集中在低功耗的移动终端、智能穿戴设备、IoT智能系统和具有实用性的端侧线下信息资源管理专用工具。认知能力到独立智能化环节往往会催生出各种各样响应式智能机器人，是许多类脑企业要实现的长期目标。

很抱歉，我不太明白您所指的“机明电极程序”是指哪种程序。如果您是指机器学习中的“神经元”或“感知器”模型，那么程序不能运行的原因可能有以下几个方面：手咐

1. 数据问题：神经元模型需要大量的数据来进行训练，如果数据质量不好或者数据量不足，就会导致模型无法训练或者训练效果不佳。

2. 参数问题：神经元模型中有很多参数需要调整，如果参数设置不合理，就会导致模型无法收敛或者收敛速度过慢。

3. 算法问题：神经元模型的算法比较复杂，需要使用一些高级的数学知识，如果算法实现有误，就会导毕蠢纯致程序无法运行。

4. 环境问题：神经元模型需要在一定的环境下运行，如果环境设置不正确，就会导致程序无法运行。

5. 编程问题：神经元模型需要使用编程语言来实现，如果编程实现有误，就会导致程序无法运行。

总之，机明电极程序不能运行的原因可能有很多，需要档猜具体分析具体情况。如果您能提供更多的信息，我可以为您提供更具体的帮助。

---