什么是神经网络?

2020.06.10 -

   

受生物神经网络启发以执行涉及大量数据的不同任务的计算系统称为人工神经网络或ANN。使用不同的算法来了解给定数据集中的关系,以便可以从变化的输入中产生最佳结果。

训练网络以产生所需的输出,并使用不同的模型来预测数据的未来结果。节点相互连接,因此就像人的大脑一样工作。原始数据中的不同相关性和隐藏模式用于对数据进行聚类和分类。

了解神经网络

了解神经网络

就像训练孩子的大脑一样,对神经网络进行训练和教导。它们不能直接为特定任务编程。对他们进行了培训,以便他们可以根据不断变化的输入进行调整。有三种方法或学习范式来教授神经网络。

  1. 监督学习
  2. 强化学习
  3. 无监督学习

让我们简短地讨论它们,

1.监督学习

顾名思义,监督学习是指在主管或老师在场的情况下。这意味着已经存在一组带有标记的数据集,并具有所需的输出,即,对于某些数据集已经存在的由神经网络执行的最佳操作。然后为机器提供新的数据集,以分析训练数据集并产生正确的输出。

监督学习

这是一个封闭的反馈系统,但是环境不在循环中。

2.强化学习

在这种情况下,通过与环境的持续交互来完成输入输出映射的学习,从而可以将性能的标量指数降至最低。在这里,代替老师的是,批评者将主要增强信号即从环境接收的标量输入转换为启发式增强信号(更高质量的增强信号)也是标量输入。

该学习的目标是使运行成本最小化,即在一系列步骤中采取的行动的预期累积成本。 该类别的热门课程


强化学习

3.无监督学习

顾名思义,没有老师或主管。在这种情况下,数据既未标记也未分类,并且神经网络没有可用的先前指导。在这种情况下,机器必须根据相似性,差异和模式对提供的数据集进行分组,而无需事先提供任何培训。

无监督学习

使用神经网络

神经网络是一个加权图,其中节点是神经元,连接由具有权重的边表示。它从外界获取输入,并用x(n)表示。

每个输入乘以其各自的权重,然后相加。如果加权总和等于零,则添加偏差,其中偏差输入为1且权重为b。然后将该加权和传递给激活函数。激活功能限制了神经元输出的幅度。有各种激活函数,例如阈值函数,分段线性函数或Sigmoid函数。

激活功能

神经网络的架构

神经网络的结构基本上有三种类型。

  1. 单层前馈网络
  2. 多层前馈网络
  3. 循环网络

1.单层前馈网络

在此,我们将源节点的输入层投影到神经元的输出层上。该网络是前馈或非循环网络。之所以称为单层,是因为它仅指输出层的计算神经元。在输入层上不执行任何计算,因此不计算在内。

基本单位

2.多层前馈网络

在这种情况下,除了输入和输出层之外,还有一个或多个隐藏层。该层的节点称为隐藏神经元或隐藏单元。隐藏层的作用是在输出和外部输入之间进行干预。输入层的节点将输入信号提供给第二层的节点,即隐藏层,并且隐藏层的输出充当下一层的输入,并且对于网络的其余部分继续如此。

多层前馈网络

3.循环网络

循环几乎类似于前馈网络。主要区别在于它至少具有一个反馈回路。可能存在零个或多个隐藏层,但那里至少会有一个反馈回路。

循环网络

神经网络的优势

  1. 经过培训可以处理不完整的信息。
  2. 具有容错能力。
  3. 拥有分布式内存
  4. 可以使机器学习。
  5. 并行处理。
  6. 将信息存储在整个网络上
  7. 可以学习非线性和复杂的关系。
  8. 概括能力,即可以在从一些先前的关系中学习之后推断出看不见的关系。

所需的神经网络技能

  1. 掌握应用数学和算法。
  2. 概率和统计。
  3. 分布式计算。
  4. 基本的编程技巧。
  5. 数据建模和评估。
  6. 软件工程和系统设计。

为什么要使用神经网络?

  1. 它有助于对现实世界中的非线性和复杂关系进行建模。
  2. 它们可用于模式识别,因为它们可以泛化。
  3. 它们具有许多应用程序,例如文本摘要,签名识别,手写识别等等。
  4. 它可以对数据进行高波动建模。

神经网络范围

将来范围很广。研究人员一直在研究基于神经网络的新技术。一切都在转变为自动化,因此它们在应对变化方面非常高效,并且可以做出相应的调整。由于新技术的发展,为工程师和神经网络专家提供了许多职位空缺。因此,将来神经网络也将被证明是主要的工作提供者。

结论

神经网络有很多好处。他们可以根据不断变化的环境进行学习和适应。它们在神经病学和心理学领域以及其他领域也有贡献。因此,在当今和将来,神经网络的范围都很大。

本站文章禁止转载,违者必究
阅 181
0

受生物神经网络启发以执行涉及大量数据的不同任务的计算系统称为人工神经网络或ANN。使用不同的算法来了解给定数据 […]

湘公网安备 43011102001693号

    湘ICP备19003021号-1