這些神經(jīng)元中的每一個(gè)都在突觸處以復(fù)雜的排列方式與其他神經(jīng)元相連。現(xiàn)在，您是否想知道這與 人工神經(jīng)網(wǎng)絡(luò)有什么關(guān)系？讓我們?cè)敿?xì)看看他們是什么以及他們?nèi)绾螌W(xué)習(xí)信息。

人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)包含稱為 units 的人工神經(jīng)元。這些單元被安排在一系列層中，這些層共同構(gòu)成了系統(tǒng)中的整個(gè)人工神經(jīng)網(wǎng)絡(luò)。一個(gè)層只能有十幾個(gè)單元或數(shù)百萬(wàn)個(gè)單元，因?yàn)檫@取決于復(fù)雜神經(jīng)網(wǎng)絡(luò)如何學(xué)習(xí)數(shù)據(jù)集中的隱藏模式。通常，人工神經(jīng)網(wǎng)絡(luò)有一個(gè)輸入層、一個(gè)輸出層以及一個(gè)隱藏層。輸入層接收來(lái)自外部世界的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)需要分析或了解這些數(shù)據(jù)。然后，此數(shù)據(jù)通過(guò)一個(gè)或多個(gè)隱藏層，這些隱藏層將輸入轉(zhuǎn)換為對(duì)輸出層有價(jià)值的數(shù)據(jù)。最后，輸出層以人工神經(jīng)網(wǎng)絡(luò)對(duì)提供的輸入數(shù)據(jù)的響應(yīng)形式提供輸出。

在大多數(shù)神經(jīng)網(wǎng)絡(luò)中，單元從一層到另一層是相互連接的。這些連接中的每一個(gè)都有權(quán)重，用于確定一個(gè)單元對(duì)另一個(gè)單元的影響。隨著數(shù)據(jù)從一個(gè)單元傳輸?shù)搅硪粋€(gè)單元，神經(jīng)網(wǎng)絡(luò)會(huì)越來(lái)越多地了解數(shù)據(jù)，最終導(dǎo)致輸出層的輸出。

人類神經(jīng)元的結(jié)構(gòu)和作是人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。它也被稱為神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的輸入層是第一層，它接收來(lái)自外部源的輸入并將其釋放到隱藏層，即第二層。在隱藏層中，每個(gè)神經(jīng)元接收來(lái)自上一層神經(jīng)元的輸入，計(jì)算加權(quán)和，并將其發(fā)送到下一層的神經(jīng)元。這些連接是加權(quán)的，這意味著通過(guò)為每個(gè)輸入分配不同的權(quán)重來(lái)或多或少地優(yōu)化上一層輸入的效果，并且在訓(xùn)練過(guò)程中通過(guò)優(yōu)化這些權(quán)重來(lái)提高模型性能來(lái)進(jìn)行調(diào)整。

人工神經(jīng)元與生物神經(jīng)元

人工神經(jīng)網(wǎng)絡(luò)的概念來(lái)自動(dòng)物大腦中發(fā)現(xiàn)的生物神經(jīng)元，因此它們?cè)诮Y(jié)構(gòu)和功能方面有很多相似之處。

• 結(jié)構(gòu) ： 人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)受到生物神經(jīng)元的啟發(fā)。生物神經(jīng)元有一個(gè)細(xì)胞體或胞體來(lái)處理沖動(dòng)，樹(shù)突接收它們，以及一個(gè)將它們轉(zhuǎn)移到其他神經(jīng)元的軸突。人工神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)接收輸入信號(hào)，隱藏層節(jié)點(diǎn)計(jì)算這些輸入信號(hào)，輸出層節(jié)點(diǎn)通過(guò)使用激活函數(shù)處理隱藏層的結(jié)果來(lái)計(jì)算最終輸出。

生物神經(jīng)元	人工神經(jīng)元
樹(shù)突	輸入
細(xì)胞核或 Soma	節(jié)點(diǎn)
突 觸	權(quán)重
軸突	輸出

• 突觸 ：突觸是生物神經(jīng)元之間的鏈接，能夠?qū)_動(dòng)從樹(shù)突傳遞到細(xì)胞體。突觸是將人工神經(jīng)元中的一層節(jié)點(diǎn)連接到下一層節(jié)點(diǎn)的權(quán)重。鏈接的強(qiáng)度由 weight 值決定。
• 學(xué)習(xí) ：在生物神經(jīng)元中，學(xué)習(xí)發(fā)生在細(xì)胞體核或胞體中，它有一個(gè)有助于處理沖動(dòng)的細(xì)胞核。如果沖動(dòng)足夠強(qiáng)大以達(dá)到閾值，則會(huì)產(chǎn)生動(dòng)作電位并通過(guò)軸突傳播。這可以通過(guò)突觸可塑性實(shí)現(xiàn)，突觸可塑性表示突觸隨著時(shí)間的推移對(duì)其活動(dòng)變化做出反應(yīng)而變得更強(qiáng)或更弱的能力。在人工神經(jīng)網(wǎng)絡(luò)中，反向傳播是一種用于學(xué)習(xí)的技術(shù)，它根據(jù)預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差或差異來(lái)調(diào)整節(jié)點(diǎn)之間的權(quán)重。

生物神經(jīng)元	人工神經(jīng)元
突觸可塑性	反向傳播

• 激活 ：在生物神經(jīng)元中，激活是神經(jīng)元的放電率，當(dāng)沖動(dòng)足夠強(qiáng)到達(dá)到閾值時(shí)發(fā)生。在人工神經(jīng)網(wǎng)絡(luò)中，稱為激活函數(shù)的數(shù)學(xué)函數(shù)將輸入映射到輸出，并執(zhí)行激活。

人工神經(jīng)網(wǎng)絡(luò)如何學(xué)習(xí)？

人工神經(jīng)網(wǎng)絡(luò)使用訓(xùn)練集進(jìn)行訓(xùn)練。例如，假設(shè)您要教 ANN 識(shí)別貓。然后，它會(huì)顯示數(shù)千張不同的貓圖像，以便網(wǎng)絡(luò)可以學(xué)習(xí)識(shí)別貓。一旦使用貓的圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了足夠的訓(xùn)練，那么您需要檢查它是否可以正確識(shí)別貓圖像。這是通過(guò)使 ANN 通過(guò)確定它們是否是貓圖像來(lái)對(duì)它提供的圖像進(jìn)行分類來(lái)完成的。ANN 獲得的輸出由人類提供的關(guān)于圖像是否為貓圖像的描述得到證實(shí)。如果 ANN 識(shí)別不正確，則使用反向傳播 來(lái)調(diào)整它在訓(xùn)練期間學(xué)到的任何內(nèi)容。 反向傳播 是通過(guò)根據(jù)獲得的誤差率對(duì)以 ANN 單位為單位的連接的權(quán)重進(jìn)行微調(diào)來(lái)完成的。這個(gè)過(guò)程一直持續(xù)到人工神經(jīng)網(wǎng)絡(luò)能夠以盡可能低的錯(cuò)誤率正確識(shí)別圖像中的貓。

人工神經(jīng)網(wǎng)絡(luò)有哪些類型？

• 前饋神經(jīng)網(wǎng)絡(luò) ： 前饋神經(jīng)網(wǎng)絡(luò)是最基本的人工神經(jīng)網(wǎng)絡(luò)之一。在此 ANN 中，提供的數(shù)據(jù)或輸入沿單個(gè)方向移動(dòng)。它通過(guò)輸入層進(jìn)入 ANN，通過(guò)輸出層退出，而隱藏層可能存在也可能不存在。所以前饋神經(jīng)網(wǎng)絡(luò)只有一個(gè)前傳播波，通常沒(méi)有反向傳播。
• 卷積神經(jīng)網(wǎng)絡(luò) ： 卷積神經(jīng)網(wǎng)絡(luò)與前饋神經(jīng)網(wǎng)絡(luò)有一些相似之處，其中單元之間的連接具有確定一個(gè)單元對(duì)另一個(gè)單元的影響的權(quán)重。但是 CNN 有一個(gè)或多個(gè)卷積層，該卷積層對(duì)輸入使用卷積運(yùn)算，然后將以輸出形式獲得的結(jié)果傳遞給下一層。CNN 在語(yǔ)音和圖像處理方面有應(yīng)用，這在計(jì)算機(jī)視覺(jué)中特別有用。
• 模塊化神經(jīng)網(wǎng)絡(luò)： 模塊化神經(jīng)網(wǎng)絡(luò)包含一組不同的神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)獨(dú)立工作以獲得輸出，它們之間沒(méi)有交互。與其他網(wǎng)絡(luò)相比，每個(gè)不同的神經(jīng)網(wǎng)絡(luò)通過(guò)獲得獨(dú)特的輸入來(lái)執(zhí)行不同的子任務(wù)。這種模塊化神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于，它將大型而復(fù)雜的計(jì)算過(guò)程分解成更小的組件，從而降低其復(fù)雜性，同時(shí)仍能獲得所需的輸出。
• 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)： 徑向基函數(shù)是那些考慮點(diǎn)相對(duì)于中心的距離的函數(shù)。RBF 函數(shù)有兩層。在第一層中，輸入被映射到隱藏層中的所有 Radial 基函數(shù)，然后輸出層在下一步中計(jì)算輸出。徑向基函數(shù)網(wǎng)絡(luò)通常用于對(duì)代表任何潛在趨勢(shì)或函數(shù)的數(shù)據(jù)進(jìn)行建模。
• 遞歸神經(jīng)網(wǎng)絡(luò)： 遞歸神經(jīng)網(wǎng)絡(luò)保存層的輸出并將此輸出反饋給輸入，以更好地預(yù)測(cè)層的結(jié)果。RNN 中的第一層與前饋神經(jīng)網(wǎng)絡(luò)非常相似，遞歸神經(jīng)網(wǎng)絡(luò)在計(jì)算出第一層的輸出后啟動(dòng)。在這一層之后，每個(gè)單元都會(huì)記住上一步中的一些信息，以便它可以在執(zhí)行計(jì)算時(shí)充當(dāng)存儲(chǔ)單元。

人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

1. 社交媒體： 人工神經(jīng)網(wǎng)絡(luò)在社交媒體中被大量使用。例如，我們以 Facebook 上的“您可能認(rèn)識(shí)的人” 功能為例，該功能會(huì)推薦您在現(xiàn)實(shí)生活中可能認(rèn)識(shí)的人，以便您可以向他們發(fā)送加好友請(qǐng)求。嗯，這種神奇的效果是通過(guò)使用人工神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)的，人工神經(jīng)網(wǎng)絡(luò)會(huì)分析您的個(gè)人資料、您的興趣、您現(xiàn)在的朋友以及他們的朋友以及各種其他因素來(lái)計(jì)算您可能認(rèn)識(shí)的人。 機(jī)器學(xué)習(xí) 在社交媒體中的另一個(gè)常見(jiàn)應(yīng)用是 面部識(shí)別 .這是通過(guò)在人的臉上找到大約 100 個(gè)參考點(diǎn)，然后使用卷積神經(jīng)網(wǎng)絡(luò)將它們與數(shù)據(jù)庫(kù)中已有的參考點(diǎn)進(jìn)行匹配來(lái)完成的。
2. 營(yíng)銷和銷售： 當(dāng)您登錄亞馬遜和 Flipkart 等電子商務(wù)網(wǎng)站時(shí)，他們會(huì)根據(jù)您之前的瀏覽歷史推薦您購(gòu)買(mǎi)的產(chǎn)品。同樣，假設(shè)您喜歡意大利面，那么 Zomato、Swiggy 等會(huì)根據(jù)您的口味和以前的訂單歷史向您展示餐廳推薦。這適用于所有新時(shí)代營(yíng)銷領(lǐng)域，如圖書(shū)網(wǎng)站、電影服務(wù)、酒店網(wǎng)站等，它是通過(guò)實(shí)施 個(gè)性化營(yíng)銷來(lái)實(shí)現(xiàn)的。它使用人工神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別客戶的好惡、以前的購(gòu)物歷史等，然后相應(yīng)地定制營(yíng)銷活動(dòng)。
3. 醫(yī)療保健 ： 人工神經(jīng)網(wǎng)絡(luò)在腫瘤學(xué)中用于訓(xùn)練算法，這些算法可以在微觀層面上以與訓(xùn)練有素的醫(yī)生相同的精度識(shí)別癌組織。各種罕見(jiàn)疾病可能表現(xiàn)在身體特征上，可以通過(guò)對(duì)患者照片使用面部分析來(lái)識(shí)別其早期階段。因此，人工神經(jīng)網(wǎng)絡(luò)在醫(yī)療保健環(huán)境中的全面實(shí)施只能提高醫(yī)學(xué)專家的診斷能力，并最終導(dǎo)致全球醫(yī)療保健質(zhì)量的整體提高。
4. 個(gè)人助理： 我相信你們都聽(tīng)說(shuō)過(guò) Siri、Alexa、Cortana 等，并且也根據(jù)您擁有的手機(jī)聽(tīng)說(shuō)過(guò)它們!!這些是個(gè)人助理和語(yǔ)音識(shí)別的一個(gè)示例，它使用 自然語(yǔ)言處理 與用戶交互并相應(yīng)地制定響應(yīng)。自然語(yǔ)言處理使用人工神經(jīng)網(wǎng)絡(luò)來(lái)處理這些個(gè)人助理的許多任務(wù)，例如管理語(yǔ)言語(yǔ)法、語(yǔ)義、正確的語(yǔ)音、正在進(jìn)行的對(duì)話等。