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(ANNS)?

AI的许多最大的进展是由人工神经网络驱动。人工神经网络(ANNS)是以人类大脑中发现的神经网络引发的格式连接在一起的数学函数的连接。这些ANNS能够从数据中提取复杂的模式,将这些模式应用于解除数据以对数据进行分类/识别数据。通过这种方式,机器“学习”。这是一个关于神经网络的快速崩溃,但让我们仔细看看神经网络,以更好地了解它们是什么以及它们的运作方式。

解释了多层的默认

在我们看看更复杂的神经网络之前,我们将花点时间查看一个简单的ANN版本,多层Perceptron(MLP).

想象一下在工厂的装配线。在这个装配线上,一名工人收到一个项目,对它进行了一些调整,然后将其传递到执行相同的行中的下一个工作人员。此过程持续到线路中的最后一个工作人员放在物品上的精加工触摸,并将其放在将从工厂中取出的皮带上。在这个类比中,装配线有多个“层”,并且在从工人移动到工人时,产品之间的产品在层之间移动。装配线还有一个入口点和出口点。

多层的Perceptron可以被认为是一个非常简单的生产线,由总共三层制成:输入层,隐藏层和输出层。输入层是数据被馈送到MLP的位置,并且在隐藏层中,在将其传递到输出层之前,在隐藏层中处理数据,以便将产品提供给外部世界。在MLP的实例中,这些工人称为“神经元”(或有时节点),并且当他们处理他们通过一系列数学函数操纵它们的数据时。

在网络中,存在将节点连接到节点的结构“重量“。权重是关于数据点如何在通过网络移动时相关的假设。为了再换句话,重量反映了一个神经元在另一个神经元的影响程度。权重通过“激活函数”,因为它们离开当前节点,这是转换数据的数学函数。它们将线性数据转换为非线性表示,这使得网络能够分析复杂的模式。

“人工神经网络”所暗示的人脑中的类比来自于构成人脑的神经元以类似的方式连接在一起,以如何链接到ANN中的节点。

虽然自20世纪40年代以来,虽然自20世纪40年代以来已经存在多层的感知,但有许多限制阻止它们特别有用。然而,在过去几十年的过程中,一种称为“backpropagation.“创建了允许网络调整神经元的重量,从而更有效地学习。backpropagation.更改神经网络中的权重,允许网络更好地捕获数据内的实际模式。

深神经网络

深神经网络采用MLP的基本形式,通过在模型中间添加更多隐藏层来使其更大。因此,而不是输入层,隐藏层和输出层,中间有许多隐藏层,一个隐藏层的输出成为下一个隐藏层的输入,直到数据一直使其成为通过网络并退回。

深神经网络的多个隐藏层能够解释比传统的多层的Perceptron更复杂的模式。深神经网络的不同层学习数据的不同部分的模式。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黑暗,而稍后的层将拾取可用于识别图像中的对象的形状和边缘。

不同类型的神经网络

有各种类型的神经网络,各种神经网络类型中的每种类型都有自己的优点和缺点(因此他们自己的用例)。上述深度神经网络的类型是最常见的神经网络类型,并且通常被称为前馈神经网络。

神经网络的一个变化是经常性的神经网络(rnn.)。如果是经常性神经网络,循环机制用于从先前的分析状态中保存信息,这意味着它们可以解释订单事项的数据。 RNN可用于从顺序/时间顺序数据中推导模式。经常性神经网络可以是单向的或双向的。在双向神经网络的情况下,网络可以从稍后的序列以及序列的早期部分中获取信息。由于双向RNN考虑了更多信息,因此能够从数据中绘制正确的模式。

A 卷积神经网络是一种特殊类型的神经网络,擅长解释图像中的模式。 CNN通过在图像的像素上传递过滤器来操作并实现图像内的像素的数值表示,然后可以分析图案。构造CNN,使得将像素从图像中拉出的卷积层来说是首先来,然后致密连接的前馈层来,那些实际学习识别对象的那些才能实现。

Blogger和Programmer有专业的机器学习深度学习话题。丹尼尔希望帮助别人利用AI的力量来社交。