5、神经网络与类脑计算的发展历程

神经网络与类脑计算的发展历程

1. 感知机的原理与应用

1.1 感知机的泛化能力

感知机在训练完成后，需要在一个未用于训练的“测试集”上进行性能评估。测试集上的分类性能是衡量感知机能否将所学知识泛化到未知类别新示例的真实指标。泛化能力是关键概念，在现实生活中，我们不会以完全相同的方式看待同一物体或遇到相同的情况，但如果能从以往经验中进行泛化，就能处理广泛的现实问题。

1.2 感知机在性别面部识别中的应用

以区分男性和女性面部为例，这是一个有趣的任务。尽管我们擅长此任务，但很难确切说出男女面部的差异。因为没有单一特征能明确区分，所以这是一个依赖大量低级特征证据组合的模式识别问题。

1990 年，Beatrice Golomb 使用大学生面部数据库作为输入，训练感知机进行面部性别分类，准确率达到 81%。感知机难以分类的面部，人类也难以区分，实验室成员在同一组面部上的平均准确率为 88%。Beatrice 还训练了多层感知机（“SEXNET”），准确率达到 92%，优于实验室成员。在 1991 年的神经信息处理系统（NIPS）会议上，有人询问 SEXNET 能否检测异装癖者的面部，Beatrice 给予肯定答复，Ed Posner 打趣称那将是“DRAGNET”。

感知机通过将面部图像的像素与相应权重相乘，求和后与阈值比较来做出决策。正权重（白色）表示男性特征，负权重（黑色）表示女性特征。鼻子宽度、鼻口之间区域大小、眼睛周围图像强度对区分男性很重要，而嘴巴和颧骨周围图像强度对区分女性很重要。令人惊讶的是，人中（鼻子和嘴唇之间的空间）是最具区分性的特征，大多数男性的人中明显更大。

1.3 感知机的