联系我们

AI 101

什么是神经网络?

mm

更新

 on

什么是人工神经网络(ANN)?

人工智能的许多最大进步是 由人工神经网络驱动。人工神经网络(ANN)是数学函数的连接,其连接形式受人脑中发现的神经网络启发。这些人工神经网络能够从数据中提取复杂的模式,并将这些模式应用于看不见的数据以对数据进行分类/识别。这样,机器“学习”。那是神经网络的一个快速崩溃,但是让我们仔细看一下神经网络,以更好地了解它们是什么以及它们如何运行。

多层感知器解释

在研究更复杂的神经网络之前,我们将花一点时间看一下ANN的简单版本, 多层感知器(MLP).

想象一下工厂的装配线。在此装配线上,一个工人接收一个物料,对其进行一些调整,然后将其传递给生产线上相同的下一个工人。这个过程一直持续到生产线的最后一位工人对产品进行最后修饰并将其放在皮带上,然后才能带出工厂。以此类推,装配线有多个“层”,并且产品在工人之间移动时会在各层之间移动。装配线还具有入口点和出口点。

多层感知器可以被认为是一条非常简单的生产线,由三层组成:输入层,隐藏层和输出层。输入层是将数据馈送到MLP的地方,在隐藏层中,一定数量的“工人”在将数据传递到输出层之前先处理数据,从而将产品提供给外界。在MLP实例中,这些工作人员称为“神经元”(有时称为节点),当他们处理数据时,会通过一系列数学函数对其进行操作。

在网络内部,存在将节点连接到节点的结构,称为“重量”。权重是关于数据点在网络中移动时如何关联的假设。换句话说,权重反映了一个神经元对另一个神经元的影响程度。权重在离开当前节点时通过“激活函数”传递,这是一种转换数据的数学函数。他们将线性数据转换为非线性表示形式,从而使网络能够分析复杂的模式。

“人工神经网络”所暗示的类似于人脑的事实是,构成人脑的神经元以与ANN中的节点链接方式相似的方式连接在一起。

自1940年代以来,多层感知器就已存在,但由于种种限制,它们无法发挥特别的作用。但是,在过去的几十年中,一种称为“反向传播”的创建使网络可以调整神经元的权重,从而更有效地学习。 反向传播 更改神经网络中的权重,使网络可以更好地捕获数据中的实际模式。

深度神经网络

深度神经网络采用MLP的基本形式,并通过在模型中间添加更多隐藏层来使其变得更大。因此,中间没有很多输入层,而是有一个输入层,一个隐藏层和一个输出层,而一个隐藏层的输出将成为下一个隐藏层的输入,直到数据完全处理完为止通过网络并被退回。

与传统的多层感知器相比,深度神经网络的多个隐藏层能够解释更复杂的模式。深度神经网络的不同层学习数据不同部分的模式。例如,如果输入数据由图像组成,则网络的第一部分可能会解释像素的亮度或暗度,而随后的层将挑选出可用于识别图像中对象的形状和边缘。

不同类型的神经网络

神经网络的类型多种多样,每种神经网络类型都有其自身的优缺点(因此也有其自己的用例)。上述深度神经网络的类型是最常见的神经网络类型,通常称为前馈神经网络。

神经网络的一种变体是递归神经网络(神经网络)。如果是 递归神经网络循环机制用于保存来自先前分析状态的信息,这意味着它们可以在顺序重要的地方解释数据。 神经网络可用于从顺序/时间顺序数据中得出模式。递归神经网络可以是单向或双向的。在双向神经网络的情况下,网络可以从序列的后期以及序列的较早部分获取信息。由于双向RNN考虑了更多信息,因此更好地从数据中绘制正确的模式。

A 卷积神经网络 是一种特殊的神经网络,擅长解释图像中发现的模式。 CNN通过在图像的像素上通过滤镜并获得图像中像素的数值表示进行操作,然后可以分析图案。 CNN的结构使得首先将卷积层从图像中拉出像素,然后是紧密连接的前馈层,然后才是真正学会识别对象的层。

专门从事以下工作的Blogger和程序员 机器学习 深度学习 话题。 Daniel希望帮助他人将AI的力量用于社会公益。