Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >神经网络是什么?又能干什么?

神经网络是什么?又能干什么?

原创
作者头像
人工智能的秘密
发布于 2018-01-18 07:15:23
发布于 2018-01-18 07:15:23
1.5K0
举报

现在深度学习炒得非常火热,其实它的本质还是把神经网络算法进行延伸和优化而已。那今天目标就直入主题用最简单的语言让大家了解神经网络是一个什么东西。

关于神经网络与人工智能的发展,以及神经网络各种生物学模型就不唠了,我是觉得把神经网络比作各种类人脑模型和生物学模型没有半点助于咱们理解,反而把简单的问题复杂了,这些恩怨情仇就不过多介绍了!

这张图就是我们的核心了,也是整个神经网络的架构,只要能理解这个,那就OK了!首先我们来观察整个结构,发现在神经网络中是存在多个层的,有输入层,隐层1,隐层2,输出层。那么我们想要得到一个合适的结果,就必须通过这么多层得到最终的结果,在这里咱们先来考虑一个问题,神经网络究竟做了一件什么事?

如果你想做一个猫狗识别,大家首先想到了神经网络,那它是怎么做的呢?先来想想咱们人类是怎么分辨的,是不是根据猫和狗的特征是不一样的,所以我们可以很轻松就知道什么事猫什么是狗。既然这样,神经网络要做的事跟咱们一样,它也需要知道猫的特征是什么,狗的特征是什么,这么多的层次结构其实就做了一件事,进行特征提取,我们希望网络结构能更好的识别出来我们想要的结果,那势必需要它们能提取处最合适的特征,所以神经网络的强大之处就在于它可以帮助我们更好的选择出最恰当的特征。

在第一张图中我们定义了多层的结构,在这里有一个概念叫做神经元,那么神经元真的存在吗?像大脑一样?其实就是一个权重参数矩阵,比如你有一个输入数据。它是由3个特征组成的,我们就说输入是一个batchsize*3的矩阵,(batchsieze是一次输入的数据量大小),那既然要对输入提取特征,我们就需要权重参数矩阵W了,在图中神经元的意思就是我们要把这个3个特征如何变幻才能得到更好的信息表达,比如中间的第一个隐层有4个神经元,那么我们需要的第一个权重参数矩阵W1就是3 * 4,表示通过矩阵链接后得到的是batchsize * 4的特征,也就是说我们将特征进行的变换,看起来好像是从3变到了4只增加了一个,但是我们的核心一方面是特征的个数,这个我们可以自己定义神经元的个数。另一方面我们关注的点在于,什么样的权重参数矩阵W1才能给我得到更好的特征,那么神经网络大家都说它是一个黑盒子,原因就在于权重参数矩阵W1内部是很难解释的,其实我们也不需要认识它,只要计算机能懂就OK了。那么这一步是怎么做的呢?计算机怎么得到最好的权重参数W1帮我们完成了特征的提取呢?这一点就要靠反向传播与梯度下降了,简单来说就是我们告诉神经网络我的目标就是分辨出什么是猫什么是狗,然后神经网络就会通过大量的迭代去寻找最合适的一组权重参数矩阵。(如果不清楚什么事梯度下降,先来看看我之前的文章吧!)

在神经网络中,我们刚才解释了什么是神经元,说白了就是一组权重参数。那整个网络不止这么一层呀,还有很多层次结构,这就是说我们的网络要想充分利用其价值就需要通过多种变换才能得到最终最合适的特征,一旦我们得到了最合适的特征,后续我们利用特征来进行分类或者回归任务就都随你啦。这就是神经网络的本质,其实我本质上认为神经网络就是一种特征提取器,通过这种设计可以让我们得到更有价值的信息!希望这篇文章能帮助大家对神经网络有了基础的认识,下一篇的时候我们再来讨论其中的细节!

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
人工神经网络到底能干什么?到底在干什么?
早在1943 年,神经科学家和控制论专家Warren McCulloch 与逻辑学家Walter Pitts就基于数学和阈值逻辑算法创造了一种神经网络计算模型。其中最基本的组成成分是神经元(Neuron)模型,即上述定义中的“简单单元”(Neuron 也可以被称为Unit)。在生物学所定义的神经网络中(如图1所示),每个神经元与其他神经元相连,并且当某个神经元处于兴奋状态时,它就会向其他相连的神经元传输化学物质,这些化学物质会改变与之相连的神经元的电位,当某个神经元的电位超过一个阈值后,此神经元即被激活并开始向其他神经元发送化学物质。Warren McCulloch 和Walter Pitts 将上述生物学中所描述的神经网络抽象为一个简单的线性模型(如图2所示),这就是一直沿用至今的“McCulloch-Pitts 神经元模型”,或简称为“MP 模型”。
博文视点Broadview
2020/06/11
8960
人工神经网络到底能干什么?到底在干什么?
实例解析神经网络的工作原理
在机器学习和相关领域,人工神经网络的计算模型灵感正是来自生物神经网络:每个神经元与其他神经元相连,当它兴奋时,就会像相邻的神经元发送化学物质,从而改变这些神经元内的电位;如果某神经元的电位超过了一个阈值,那么它就会被激活(兴奋),向其他神经元发送化学物质。
算法进阶
2023/11/27
3560
实例解析神经网络的工作原理
每日一学——神经网络(下)
神经网络结构 灵活地组织层 将神经网络算法以神经元的形式图形化。神经网络被建模成神经元的集合,神经元之间以无环图的形式进行连接。也就是说,一些神经元的输出是另一些神经元的输入。在网络中是不允许循环的,因为这样会导致前向传播的无限循环。通常神经网络模型中神经元是分层的,而不是像生物神经元一样聚合成大小不一的团状。对于普通神经网络,最普通的层的类型是全连接层(fully-connected layer)。全连接层中的神经元与其前后两层的神经元是完全成对连接的,但是在同一个全连接层内的神经元之间没有连接。下面是两
计算机视觉研究院
2018/04/17
6250
每日一学——神经网络(下)
神经网络基础
本文介绍了利用深度学习对空气污染进行预测的方法。首先介绍了数据集和深度学习模型的搭建,然后通过具体实例介绍了模型的预测过程。最后通过实验验证了该方法的可行性和有效性。
企鹅号小编
2018/01/03
8480
神经网络基础
量子+AI应用:量子计算与神经网络
神经网络是当下计算应用中发展最快,使用最广的机器学习算法。然而,由于传统的神经网络只能使用单个网络来存储许多算法模式,随着应用不断复杂化导致网络结构不断扩大,存储性能瓶颈已逐渐凸显。
量子发烧友
2023/02/24
1.5K0
量子+AI应用:量子计算与神经网络
人工神经网络(ANN)
        初学人工智能不久,今天碰上了人工神经网(ANN),开始学的时候很懵,一大堆理论、公式、推导…..作为一名小白,还是很痛苦的,不过经过摸索,大概了 解了什么是ANN,公式的推导以及一些其他问题,下面我就总结下自己的理解,一方面作为自己的笔记,日后方便巩固;另一方面,也可以分享给其他有意者。
Flaneur
2020/03/25
1.6K0
卷积神经网络概念与原理
受Hubel和Wiesel对猫视觉皮层电生理研究启发,有人提出卷积神经网络(CNN),Yann Lecun 最早将CNN用于手写数字识别并一直保持了其在该问题的霸主地位。近年来卷积神经网络在多个方向持续发力,在语音识别、人脸识别、通用物体识别、运动分析、自然语言处理甚至脑电波分析方面均有突破。
机器人网
2018/07/23
1.2K0
卷积神经网络概念与原理
神经网络 vs. 支持向量机
深度学习(DL)已成为商业智能项目中的通用名词。它属于更广泛的人工智能研究领域,也是机器学习算法的一部分。深度学习可以是监督的、半监督的和非监督的。
liuxuewen
2018/10/11
3.2K0
神经网络 vs. 支持向量机
神经网络学习 之 BP神经网络
上一次我们讲了M-P模型,它实际上就是对单个神经元的一种建模,还不足以模拟人脑神经系统的功能。由这些人工神经元构建出来的网络,才能够具有学习、联想、记忆和模式识别的能力。BP网络就是一种简单的人工神经网络。 本文具体来介绍一下一种非常常见的神经网络模型——反向传播(Back Propagation)神经网络。
全栈程序员站长
2022/09/01
5.5K0
神经网络学习 之 BP神经网络
深度学习之卷积神经网络
纵观过去两年,“深度学习”领域已经呈现出巨大发展势头。在计算机视觉领域,深度学习已经有了较大进展,其中卷积神经网络是运用最早和最广泛的深度学习模型,所以今天就和大家分享下卷积神经网络的工作原理。
商业新知
2019/04/02
6310
深度学习之卷积神经网络
神经网络使用梯度下降的原因(摘自我写的书)
目前深度神经网络模型的优化方法主要是梯度下降。我们使用梯度下降的方法来进行误差的反向传播,不断地调整模型参数,以降低模型所产生的误差,使模型更好实现从输入到输出的映射。目前因为各种因素,神经网络可以做的层数更深,神经元更多。相较于以前得到了性能上较大的提升。
黄鸿波
2020/04/14
1.9K0
深度学习500问——Chapter05: 卷积神经网络(CNN)(4)
我们首先了解一个概念,感受野,即每个神经元仅与输入神经元相连接的一块区域。在图像卷积操作中,神经元在空间维度上是局部连接的,但在深度上是全连接。局部连接的思想,是受启发于身生物学里的视觉系统结构,视觉皮层的神经元就是仅用局部接受信息。对于二维图像,局部像素关联性较强。这种局部连接保证了训练后的滤波器能够对局部特征有最强的响应,使神经网络可以提取数据的局部特征。
JOYCE_Leo16
2024/04/04
3920
深度学习500问——Chapter05: 卷积神经网络(CNN)(4)
神经网络相关名词解释
很多人认为深度学习很枯燥,大部分情况是因为对深度学习的学术词语,特别是专有名词很困惑,即便对相关从业者,亦很难深入浅出地解释这些词语的含义。  相信读过此文的圈友,会对深度学习有个全新的认识,机器人圈希望可以为圈友的深度学习之路起到一些辅助作用。 人工智能,深度学习,机器学习—无论你在做什么,如果你对它不是很了解的话—去学习它。否则的话不用三年你就跟不上时代的潮流了。——马克.库班 马克.库班的这个观点可能听起来很极端——但是它所传达的信息是完全正确的! 我们正处于一场革命的旋涡之中——一场由大数据和计算能
两只橙
2018/04/27
1.2K0
神经网络相关名词解释
前馈神经网络——深度学习之神经网络核心原理与算法
因上几次读者反映,公式代码有乱码和不规整的问题,小编有改善哟,这篇文章开始亲们会看到效果的哟~
用户1332428
2018/07/30
1.2K0
前馈神经网络——深度学习之神经网络核心原理与算法
深入浅出人脸识别技术
在深度学习出现后,人脸识别技术才真正有了可用性。这是因为之前的机器学习技术中,难以从图片中取出合适的特征值。轮廓?颜色?眼睛?如此多的面孔,且随着年纪、光线、拍摄角度、气色、表情、化妆、佩饰挂件等等的不同,同一个人的面孔照片在照片象素层面上差别很大,凭借专家们的经验与试错难以取出准确率较高的特征值,自然也没法对这些特征值进一步分类。深度学习的最大优势在于由训练算法自行调整参数权重,构造出一个准确率较高的f(x)函数,给定一张照片则可以获取到特征值,进而再归类。本文中笔者试图用通俗的语言探讨人脸识别技术,首先概述人脸识别技术,接着探讨深度学习有效的原因以及梯度下降为什么可以训练出合适的权重参数,最后描述基于CNN卷积神经网络的人脸识别。
陶辉
2019/06/21
2.8K0
深入浅出人脸识别技术
神经网络速记概念解释
1、将输入图像传递到第一个卷积层中,卷积后以激活图形式输出。 图片在卷积层中过滤后的特征会被输出,并传递下去 2、每个过滤器都会给出不同的特征,以帮助进行正确的类预测。 因为需要保证图像大小的一致,所以使用同样的填充(零填充), 否则填充会被使用,因为它可以帮助减少特征的数量 零填充,可以理解为特征稀疏化,留下来的特征更能代表这个图像 3、随后加入池化层进一步减少参数的数量 4、在预测最终提出前,数据会经过多个卷积和池化层的处理。 卷积层会帮助提取特征,越深的卷积神经网络会提取越具体的特征, 越浅的网络提取越浅显的特征 5、CNN 中的输出层是全连接层,其中来自其他层的输入在这里被平化和发送, 以便将输出转换为网络所需的参数 6、随后输出层会产生输出,这些信息会互相比较排除错误。 损失函数是全连接输出层计算的均方根损失。随后我们会计算梯度错误 7、错误会进行反向传播,以不断改进过滤器(权重)和偏差值 8、一个训练周期由单次正向和反向传递完成
wust小吴
2019/07/08
5130
神经网络的基本原理
人工神经网络(Artificial Neural Networks,简写为ANNs),也简称为神经网络(NNs)或称作连接模型(Connection Model)。
用户8093107
2020/12/15
1.7K0
神经网络的基本原理
一文带你了解神经网络是如何学习预测的
GPT想必大家已经耳熟能详,当我们与它进行对话时,通常只需要关注自己问出的问题(输入)以及GPT给出的答案(输出),对于输出内容是如何产生的,我们一无所知,它就像一个神秘的黑盒子。
JOYCE_Leo16
2024/03/19
3300
一文带你了解神经网络是如何学习预测的
卷积神经网络(CNN)
在当今数字化时代,图像识别技术已经渗透到我们生活的方方面面,从智能手机上的拍照识别功能到自动驾驶汽车的视觉系统,其背后的核心技术之一就是卷积神经网络(CNN)。CNN 是一种深度学习架构,专为处理具有网格结构的数据(如图像)而设计。它通过模拟人类视觉系统的神经元连接方式,能够自动提取图像的特征,从而实现高效的图像识别。
LucianaiB
2025/01/23
4550
使用Python和R语言从头开始理解和编写神经网络
前言 本篇文章是原文(https://www.analyticsvidhya.com/blog/2017/05/neural-network-from-scratch-in-python-and-r/)的翻译过来的,自己在学习和阅读之后觉得文章非常不错,文章结构清晰,由浅入深、从理论到代码实现,最终将神经网络的概念和工作流程呈现出来。自己将其翻译成中文,以便以后阅读和复习和网友参考。因时间(文字纯手打加配图)紧促和翻译水平有限,文章有不足之处请大家指正。 介绍 你可以通过两种方式学习和实践一个概念: 选项1
用户1332428
2018/03/09
9450
使用Python和R语言从头开始理解和编写神经网络
相关推荐
人工神经网络到底能干什么?到底在干什么?
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档