什么是神经网络？

什么是人工神经网络（ANNs）？

许多人工智能领域最大的进步都是由人工神经网络驱动的。人工神经网络（ANNs）是数学函数按照人类大脑神经网络的格式连接在一起。这些ANN能够从数据中提取复杂的模式，并将这些模式应用于未见过的数据以对数据进行分类/识别。通过这种方式，机器“学习”。这是对神经网络的一个简要概述，但让我们更详细地了解神经网络是什么以及它们如何工作。

多层感知器解释

在我们研究更复杂的神经网络之前，我们先来看看一种简单的ANN，即多层感知器（MLP）。

想象一个工厂的装配线。工人接收一个物品，对其进行一些调整，然后将其传递给装配线上的下一个工人，后者重复此过程，直到最后一个工人将物品放到传送带上，传送带将其运出工厂。在这个比喻中，装配线有多个“层”，产品在工人之间移动时会在这些层之间移动。装配线也有一个入口和一个出口。

多层感知器可以被认为是一个非常简单的生产线，由三个层组成：输入层、隐藏层和输出层。输入层是数据输入到MLP的地方，隐藏层有一些“工人”处理数据，然后将其传递给输出层，输出层将产品提供给外部世界。在MLP中，这些工人被称为“神经元”（或节点），当它们处理数据时，它们会通过一系列数学函数来操纵数据。

在网络中，有一种称为“权重”的结构，将节点连接到节点。权重是对数据点如何在网络中相关的假设。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经过一个“激活函数”，这是一个将数据转换为非线性表示的数学函数，使网络能够分析复杂的模式。

“人工神经网络”这个名称之所以源自人类大脑，是因为组成人类大脑的神经元以与ANN中节点连接方式类似的方式连接在一起。

虽然多层感知器自1940年代以来就已经存在，但由于多种限制，它们并没有特别有用。然而，在过去的几十年中，出现了一种称为“反向传播”的技术，使网络能够调整神经元的权重，从而更有效地学习。反向传播改变了神经网络中的权重，使网络能够更好地捕捉数据中的实际模式。

深度神经网络

深度神经网络以MLP为基础，通过在模型中间添加更多隐藏层来使其变得更大。因此，不再只有输入层、隐藏层和输出层，而是中间有多个隐藏层，每个隐藏层的输出成为下一个隐藏层的输入，直到数据经过整个网络并被返回。

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的不同部分的模式。例如，如果输入数据由图像组成，网络的前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以用来在图像中识别对象的形状和边缘。

不同类型的神经网络

有各种类型的神经网络，每种神经网络类型都有其自己的优缺点（以及自己的使用场景）。上面描述的深度神经网络类型是最常见的神经网络类型，通常被称为前馈神经网络。

神经网络的一种变体是循环神经网络（RNN）。在RNN中，使用循环机制来保存来自分析前状态的信息，这意味着它们可以解释顺序或时间序列数据。RNN在推导顺序/时间序列数据中的模式方面很有用。RNN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和前面获取信息。由于双向RNN考虑了更多信息，因此它能够更好地从数据中提取正确的模式。

卷积神经网络（CNN）是一种专门用于解释图像中模式的神经网络。CNN通过在图像的像素上移动滤器来工作，并获得图像中像素的数值表示，然后可以分析该表示以查找模式。CNN的结构是先有卷积层，这些层从图像中提取像素，然后是密集连接的前馈层，这些层将学习识别对象。