在这篇文章中，我们将回答以下问题：

• 你想了解神经网络中最简单的激活函数是什么吗？
• 什么是恒等函数？
• 作为AI术语，我们需要了解激活函数和转移函数的哪些知识？
• 激活函数与净输入函数是一回事吗？
• 是否有可能将净输入函数用作激活函数？
• 通过更多了解神经网络中的恒等函数，将帮助你使用C++软件构建C++应用程序。

 

目录

1. 我们所说的“人工智能”是什么意思？
2. 机器学习（ML）与人工智能（AI）有何不同？
3. 激活函数在最小人工神经元工作方式中扮演什么角色？
4. 什么是恒等函数（y = x）？
5. C++中使用恒等函数的示例？
6. 我们所说的“人工智能”是什么意思？

1. 人工智能（AI）

人工智能，也称为AI，指的是在机器中模拟人类智能，这些机器被编程为像人类一样思考并模仿他们的行为。这个术语也可以应用于任何表现出与人类心智相关的特征的机器，如学习和解决问题。

除了AI这个术语，我们还应该添加这些术语。

2. 机器学习（ML）与人工智能（AI）有何不同？

机器学习（ML）是研究计算机算法自动通过经验改进的学科。虽然我们经常看到广告中说“智能”或“使用AI”，但实际上，还没有真正的、严格意义上的AI。我们将所有与AI相关的事物称为AI技术。AI，根据其字典定义，可能与人工通用智能（也称为强AI）有关。还有人工生物智能（ABI）这个术语，它试图模拟‘自然’智能。

3. 激活函数在最小人工神经元工作方式中扮演什么角色？

最小人工神经元有一个激活值（a）、一个激活函数（phi()）和加权（w）的输入网络连接。因此，它有一个激活值、一个激活函数，以及一个或多个权重，这取决于它的输入网络数量。

激活函数（phi()），也称为转移函数或阈值函数，它根据净输入函数的给定值（sum）确定激活值（a = phi(sum)）。在这里，sum是它们权重中的信号之和，激活函数是这个和的新值，具有给定的函数或条件。换句话说，激活函数是将所有加权信号的和转换为该信号的新激活值的方法。有不同类型的激活函数，通常使用的是线性（恒等）、双极性和逻辑（sigmoid）函数。激活函数及其类型在这里有详细解释。

在C++（以及大多数编程语言）中，你可以创建自己的激活函数。注意，sum是净输入函数的结果，它计算所有加权信号的和。我们将使用sum作为输入函数的结果。在这里，人工神经元（输出值）的激活值可以通过激活函数如下所示，

通过使用这个sum净输入函数值和phi()激活函数，让我们看看C++中的一些激活函数，

4. 什么是恒等函数（y = x）？

恒等函数，也称为恒等关系或恒等映射或恒等变换，是数学中的一个函数，它总是返回用作其参数的相同值。我们可以简单地说它是y=x函数或f(x)=x函数。这个函数也可以作为一些AI应用中的激活函数。

这是一个非常简单的激活函数，也是恒等函数，

float phi(float sum) {
    return sum; // 恒等函数，线性转移函数 f(sum)=sum
}

这个函数的返回值应该是浮点数（float, double, long double），因为权重通常在0和1.0之间。

正如你在恒等函数中看到的，激活函数等同于恒等函数。因此，在这类网络中，激活值可以直接如下写出，而不需要使用phi()，

5. C++中使用恒等函数的示例？

这里是一个关于如何在C++中使用恒等函数的完整示例。

 
#include <iostream>
 
#define	NN 2   // number of neurons
 
class Tneuron    // neuron class
{
  public:
	  float a;       // activity of each neurons
	  float w[NN+1]; // weight of links between each neurons
 
	  Tneuron()
	  {
		 a=0;
		 for(int i=0; i<=NN; i++) w[i]=-1;  // if weight is negative there is no link
	  }
 
	  // let's define an activation function (or threshold) for the output neuron
	  float activation_function(float sum)
	  {
		  return sum ;   // Identity function f(sum) = sum
	  }
};
 
Tneuron ne[NN+1];   // neuron objects
 
void fire(int nn)
{
   float sum = 0;
 
   for ( int j=0; j<=NN; j++ )
   {
	   if( ne[j].w[nn]>=0 ) sum += ne[j].a*ne[j].w[nn];
   }
 
   ne[nn].a = ne[nn].activation_function(sum);
}
 
int main()
{
	//let's define activity of two input neurons (a0, a1) and one output neuron (a2)
 
	ne[0].a = 0.0;
	ne[1].a = 1.0;
	ne[2].a = 0;
 
	//let's define weights of signals comes from two input neurons to output neuron (0 to 2 and 1 to 2)
 
	ne[0].w[2] = 0.3;
	ne[1].w[2] = 0.2;
 
 
	// Let's fire our artificial neuron activity, output will be
	fire(2);
 
	printf("%10.6f\n", ne[2].a);
	getchar();
	return 0;
}