什么是神经网络？

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) 是将数学函数连接在一起，其格式受到人脑神经网络的启发。这些人工神经网络能够从数据中提取复杂的模式，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，机器就可以“学习”。这是对神经网络的快速概述，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如何运行。

多层感知器解释

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

想象一下工厂的装配线。 在这条装配线上，一名工人收到一件物品，对其进行一些调整，然后将其传递给该生产线中的下一位执行相同操作的工人。 这个过程一直持续到生产线上的最后一名工人对产品进行最后的修饰，并将其放在传送带上，然后将其带出工厂。 在这个类比中，装配线有多个“层”，产品在从一个工人移动到另一个工人时在层之间移动。 装配线也有入口点和出口点。

多层感知器可以被认为是一条非常简单的生产线，总共由三层组成：输入层、隐藏层和输出层。 输入层是将数据输入 MLP 的地方，在隐藏层中，一些“工人”在将数据传递到输出层之前处理数据，输出层将产品提供给外界。 在 MLP 的实例中，这些工作人员被称为“神经元”（有时也称为节点），当他们处理数据时，他们通过一系列数学函数来操纵数据。

在网络中，存在连接节点到节点的结构，称为“权重”。 权重是关于数据点在网络中移动时如何相关的假设。 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会通过“激活函数”，这是一种转换数据的数学函数。 它们将线性数据转换为非线性表示，使网络能够分析复杂的模式。

“人工神经网络”与人脑的类比来自于这样一个事实：构成人脑的神经元以类似于人工神经网络中节点的连接方式连接在一起。

虽然多层感知器自 1940 世纪 XNUMX 年代以来就已经存在，但存在许多限制，导致它们无法发挥特别的作用。 然而，在过去的几十年里，出现了一种名为“反向传播“”的创建允许网络调整神经元的权重，从而更有效地学习。反向传播改变神经网络中的权重，使网络能够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，不再有输入层、隐藏层和输出层，而是中间有许多隐藏层，一个隐藏层的输出成为下一个隐藏层的输入，直到数据完成为止通过网络并被退回。

深度神经网络的多个隐藏层能够解释比传统多层感知器更复杂的模式。 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，网络的第一部分可能会解释像素的亮度或暗度，而后面的层将挑选出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

神经网络有多种类型，每种神经网络类型都有自己的优点和缺点（因此也有自己的用例）。 上述深度神经网络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循环神经网络（RNN）。在循环神经网络的情况下，循环机制用于保存来自先前分析状态的信息，这意味着它们可以解释顺序重要的数据。 RNN 可用于从顺序/时间顺序数据中导出模式。循环神经网络可以是单向的，也可以是双向的。在双向神经网络的情况下，网络可以从序列的后面部分以及序列的前面部分获取信息。由于双向 RNN 考虑了更多信息，因此它能够更好地从数据中得出正确的模式。

卷积神经网络是一种特殊类型的神经网络，擅长解释图像中发现的模式。 CNN 的工作原理是在图像像素上传递一个滤波器，并获得图像中像素的数字表示，然后可以分析其模式。 CNN 的结构是先从图像中提取像素的卷积层，然后是密集连接的前馈层，最后是那些真正学习识别物体的层。