在现代计算领域，术语“神经网络”在过去几年中引起了极大的关注。如果您热衷于了解神经网络是什么以及它们是如何工作的，那么这是您开始扩展知识的理想场所。
什么是神经网络？
从根本上说，神经网络是旨在模仿人脑的计算机系统。它们具有学习、理解和解释复杂模式的能力，使其成为人工智能 （AI） 和机器学习 （ML） 的关键方面。
这些网络，就像我们大脑中的神经网络一样，由许多相互连接的处理元素或“节点”组成。这种布局有助于模式识别，帮助 AI 系统随着时间的推移改进其操作。典型的神经网络由几个核心组件组成：
- 输入层：输入层是馈入网络的数据的第一个接触点。它传达原始信息以进行进一步处理。
- 隐藏层：在输入层之后，数据进入隐藏层。这些层对外部检查不可见，是加工的关键所在。
- 输出层：处理后的信息最终到达输出层，提供最终结果或预测。
每一层包括许多节点或“神经元”，通过“连接”连接。每个连接都有一个权重，指示其在信息处理任务中的重要性。
神经网络的用途是什么？
神经网络具有从数据中学习和预测结果的非凡能力，已成为许多当代技术的基石。它们的多功能性和模式识别能力为它们在一系列领域的应用铺平了道路。
神经网络最突出的应用之一是机器视觉，尤其是图像识别。通过卷积神经网络（CNN），可以训练系统来识别和分类图像，例如识别照片中的人脸或识别场景中的物体。这项技术为各种应用提供支持，从社交媒体上的自动照片标记到医学成像中的疾病诊断。
神经网络在自然语言处理（NLP）中也发挥着关键作用，使机器能够理解和生成人类语言。无论是理解语音命令的虚拟助手，响应客户查询的聊天机器人，还是将文本从一种语言翻译成另一种语言的软件，所有这些进步都是通过神经网络实现的。
你如何训练神经网络？
训练神经网络本质上意味着教它做出准确的预测。这包括向它提供数据，让它进行预测，然后调整网络的参数以改进这些预测。
目标是最小化网络的预测和实际输出之间的差异，这个术语称为“损失”或“错误”。这种差异越小，神经网络的性能就越好。
步骤 1：初始化权重和偏差
神经网络由通过权重互连的神经元组成，每个神经元都有一个偏差。这些权重和偏差是网络在训练期间学习的参数。最初，它们设置为随机值。
第 2 步：前馈
向网络提供输入数据。这些数据在称为“前馈”的过程中通过网络从输入层移动到输出层。每个神经元在将结果传递到下一层之前，应用输入和偏差的加权和，然后是激活函数。
第 3 步：计算损失
在前馈过程之后，网络产生输出。计算损失，即此输出与实际值之间的差值。此损失是使用损失函数计算的，该函数取决于您尝试解决的问题类型（例如，回归、分类）。
第 4 步：反向传播
反向传播是魔术发生的地方。此过程涉及调整权重和偏差以最大程度地减少损失。从输出层开始，错误将传播回前一层。计算损失函数相对于每个参数（权重和偏差）的梯度，这表明该参数的变化将对损失产生多大影响。
步骤 5：更新权重和偏差
然后，权重和偏差沿与计算的梯度相反的方向更新。这是使用优化算法完成的，最常见的是梯度下降。更新中执行的步骤大小由“学习率”（您设置的超参数）决定。
步骤6：重复该过程
对一定次数的迭代重复步骤 2-5，或者直到损失低于所需的阈值。整个数据集用于更新权重的次数称为“纪元”。训练通常涉及多个时期。
什么是卷积神经网络？
卷积神经网络 （CNN） 是一种专门的神经网络模型，设计用于处理类似网格的数据，例如图像。这些网络是传统多层感知器（MLP）模型的变体，从根本上受到人脑生物过程的启发。
生物视觉皮层
CNN的灵感来自人脑中视觉皮层的组织和功能。视觉皮层具有对视野的特定区域敏感的细胞小区域。这个概念通过应用在输入数据中卷积的过滤器在CNN中得到反映。
卷积层
CNN 的核心组件是卷积层，它自动自适应地学习特征的空间层次结构。在卷积层中，几个滤波器在图像上移动并执行卷积运算，在本例中为点积，在滤波器和输入图像的权重之间。此操作的结果形成特征图或卷积特征。
池化层
通常在卷积层之后添加池化层以减小空间大小，这有助于减少参数计数和计算复杂性。此外，它有助于网络对图像的比例和方向变得更加不变，从而提取更强大的特征。
做出预测
在网络的末端，使用全连接层，类似于MLP模型。这些图层采用高级过滤图像并将其转换为最终输出类或预测。
CNN在图像识别领域发挥了重要作用。它们通常用于以下应用：
- 图像和视频识别：CNN可用于识别图像和视频中的物体，人物甚至情感。
- 医学图像分析：在医学领域，CNN用于分析图像并帮助诊断疾病。
- 自动驾驶汽车：CNN用于自动驾驶汽车中，用于检测道路上的物体和标志，帮助车辆了解周围环境并做出决策。
- 面部识别系统：CNN广泛用于面部识别的安全系统。
原创文章，作者：校长，如若转载，请注明出处：https://www.yundongfang.com/Yun235779.html
微信扫一扫不于多少！ 
支付宝扫一扫礼轻情意重 