人工神經(jīng)網(wǎng)絡(luò)的案例
人工神經(jīng)網(wǎng)絡(luò)及其應用
它有神經(jīng)元或神經(jīng)細胞，它們是大腦和神經(jīng)系統(tǒng)的主要單位。這些神經(jīng)元接收來自外部世界的感覺輸入，然后對其進行處理，然后提供輸出，這些輸出可能充當下一個神經(jīng)元的輸入。
這些神經(jīng)元中的每一個都在突觸處以復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？讓我們詳細看看他們是什么以及他們?nèi)绾螌W習信息。
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)中的整個人工神經(jīng)網(wǎng)絡(luò)。一個層只能有十幾個單元或數(shù)百萬個單元，因為這取決于復雜神經(jīng)網(wǎng)絡(luò)如何學習數(shù)據(jù)集中的隱藏模式。通常，人工神經(jīng)網(wǎng)絡(luò)有一個輸入層、一個輸出層以及一個隱藏層。輸入層接收來自外部世界的數(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)通過一個或多個隱藏層，這些隱藏層將輸入轉(zhuǎn)換為對輸出層有價值的數(shù)據(jù)。最后，輸出層以人工神經(jīng)網(wǎng)絡(luò)對提供的輸入數(shù)據(jù)的響應形式提供輸出。
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都有權(quán)重，用于確定一個單元對另一個單元的影響。隨著數(shù)據(jù)從一個單元傳輸?shù)搅硪粋€單元，神經(jīng)網(wǎng)絡(luò)會越來越多地了解數(shù)據(jù)，最終導致輸出層的輸出。
?
編輯
神經(jīng)網(wǎng)絡(luò)架構(gòu)
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，每個神經(jīng)元接收來自上一層神經(jīng)元的輸入，計算加權(quán)和，并將其發(fā)送到下一層的神經(jīng)元。
展開 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANNs）-1
（1）人工神經(jīng)網(wǎng)絡(luò)的魯棒性和應用：
人工神經(jīng)網(wǎng)絡(luò)（ANN）對訓練數(shù)據(jù)中的錯誤具有魯棒性，并且已經(jīng)成功應用于學習各種函數(shù)，包括解釋視覺場景、語音識別和學習機器人控制策略等問題。
（2）生物神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的靈感來源：
人工神經(jīng)網(wǎng)絡(luò)的研究部分受到大腦中復雜交織的神經(jīng)元網(wǎng)絡(luò)的啟發(fā)。人腦包含大約10^11到10^12個神經(jīng)元，每個神經(jīng)元平均連接到10^4到10^5個其他神經(jīng)元。因此，人腦平均需要大約10^-1秒的時間來做出復雜的決策。
（3）人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)：
人工神經(jīng)網(wǎng)絡(luò)通常由大量簡單單元組成，這些單元密集地相互連接。每個單元接收多個實值輸入并產(chǎn)生單個實值輸出。盡管如此，人工神經(jīng)網(wǎng)絡(luò)并不完全模仿生物神經(jīng)系統(tǒng)的復雜性。
（4）生物神經(jīng)元與人工神經(jīng)元的差異：
生物神經(jīng)元的主要組成部分包括軸突、樹突和突觸。
人工神經(jīng)元則通過權(quán)重來模擬這些生物組成部分的功能。
生物神經(jīng)元
人工神經(jīng)元
主要成分：軸突、樹突、突觸
主要成分：軸突、樹突、突觸
來自其他神經(jīng)元的信息以電脈沖的形式進入樹突，通過稱為突觸的連接點接收。信息從樹突流向細胞進行處理。輸出信號（脈沖的序列）隨后沿著軸突傳送到其他神經(jīng)元的突觸。
神經(jīng)元的排列和連接組成網(wǎng)絡(luò)，共有三層。第一層稱為輸入層，是唯一暴露于外部信號的層。輸入層將信號傳遞給下一層的神經(jīng)元，該層稱為隱藏層。隱藏層從接收的信號中提取相關(guān)特征或模式。這些被認為重要的特征或模式隨后被轉(zhuǎn)發(fā)到輸出層，輸出層是網(wǎng)絡(luò)的最后一層。
突觸能夠增強或減弱連接的強度。這是信息存儲的地方。
人工信號可以通過權(quán)重進行改變，類似于突觸中發(fā)生的物理變化。
展開 人工神經(jīng)網(wǎng)絡(luò)的模型及其應用
人工神經(jīng)網(wǎng)絡(luò)的模型及其應用
一共有2個分卷壓縮附件
人工神經(jīng)網(wǎng)絡(luò)的模型及其應用.part2.rar
人工神經(jīng)網(wǎng)絡(luò)的模型及其應用.part1.rar
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANNs）-2、3
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANNs）-2
人工神經(jīng)網(wǎng)絡(luò)的特點包括：
? 它是一個數(shù)學模型，通過神經(jīng)方式實現(xiàn)。
? 它包含大量的相互連接的處理元素，稱為神經(jīng)元，用于執(zhí)行所有操作。
? 存儲在神經(jīng)元中的信息基本上是神經(jīng)元之間的加權(quán)連接。
? 輸入信號通過連接和連接權(quán)重到達處理元素。
? 它有能力通過適當分配和調(diào)整權(quán)重，從給定數(shù)據(jù)中學習、回憶和泛化。
? 神經(jīng)元的集體行為描述了其計算能力，沒有單個神經(jīng)元攜帶特定信息。
簡單神經(jīng)元的工作原理如下：
假設(shè)有兩個神經(jīng)元X和Y，它們正在向另一個神經(jīng)元Z傳遞信號。那么，X和Y是傳遞信號的輸入神經(jīng)元，而Z是接收信號的輸出神經(jīng)元。輸入神經(jīng)元通過連接鏈接（A和B）連接到輸出神經(jīng)元，如圖中所示：
圖 5一種簡單的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
對于上述神經(jīng)元架構(gòu)，需要以以下方式計算凈輸入：
I = xA + yB
其中x和y分別是輸入神經(jīng)元X和Y的激活值。通過將激活函數(shù)應用于凈輸入，可以獲得輸出神經(jīng)元Z的輸出z。
O = f(I), Output = Function ( net input calculated )
輸出 = 函數(shù)（計算的凈輸入）
應用于凈輸入的函數(shù)稱為激活函數(shù)，有多種激活函數(shù)可能用于此。
在神經(jīng)網(wǎng)絡(luò)中，有一個函數(shù)需要被應用到每個神經(jīng)元的網(wǎng)輸入上，這個函數(shù)被稱為激活函數(shù)。對于這個目的，有多種不同的激活函數(shù)可以選擇使用。這些激活函數(shù)（可以影響神經(jīng)元的輸出，從而影響整個神經(jīng)網(wǎng)絡(luò)的行為和性能。常見的激活函數(shù)包括Sigmoid、Tanh、ReLU等。
展開 
人工神經(jīng)網(wǎng)絡(luò)（ANN）（網(wǎng)絡(luò)架構(gòu)）-4 ￥2
人工神經(jīng)網(wǎng)絡(luò)（ANN）（網(wǎng)絡(luò)架構(gòu)）-4
人工神經(jīng)網(wǎng)絡(luò)（ANN）：這是一種受人腦啟發(fā)的信息處理范式。ANN通過示例學習，就像人類一樣。通過學習過程，ANN可以被配置用于特定應用，如模式識別或數(shù)據(jù)分類。學習過程主要涉及調(diào)整神經(jīng)元之間的突觸連接。
ANN的類型：
ANN有多種架構(gòu)，每種架構(gòu)都有其優(yōu)勢和劣勢。常見的架構(gòu)包括：
o 前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks）：這是最簡單的ANN架構(gòu)，信息從輸入層單向流動到輸出層。各層是全連接的，即一層中的每個神經(jīng)元都與下一層的所有神經(jīng)元相連。
o 循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，簡稱RNNs）：這些網(wǎng)絡(luò)具有“記憶”組件，信息可以在網(wǎng)絡(luò)中循環(huán)流動。這使得網(wǎng)絡(luò)能夠處理數(shù)據(jù)序列，如時間序列或語音。
o 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，簡稱CNNs）：這些網(wǎng)絡(luò)旨在處理具有網(wǎng)格拓撲結(jié)構(gòu)的數(shù)據(jù)，如圖像。層由卷積層組成，它們學習檢測數(shù)據(jù)中的特定特征，以及池化層，它們減少數(shù)據(jù)的空間維度。
o 自編碼器（Autoencoders）：這些神經(jīng)網(wǎng)絡(luò)用于無監(jiān)督學習。它們由編碼器組成，將輸入數(shù)據(jù)映射到低維表示，以及解碼器，將表示映射回原始數(shù)據(jù)。
o 生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，簡稱GANs）：這些神經(jīng)網(wǎng)絡(luò)用于生成建模。它們由兩部分組成：一個生成器，學習生成新的數(shù)據(jù)樣本，以及一個鑒別器，學習區(qū)分真實和生成的數(shù)據(jù)。
ANN模型的三個實體：
o 互連（Interconnections）：互連定義了ANN中處理元素（神經(jīng)元）如何相互連接。這些處理元素的排列和互連的幾何形狀在ANN中非常重要。
展開 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，簡稱ANNs）-Python中實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)訓練過程 ￥5
<p class="ql-align-center"><br></p><p>人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種受大腦啟發(fā)的信息處理模式。就像人類一樣，ANN通過示例來學習。通過學習過程，ANN被配置用于特定應用，例如模式識別或數(shù)據(jù)分類。學習過程主要涉及調(diào)整神經(jīng)元之間存在的突觸連接。</p><p><img src="https://img.jishulink.com/msimage/202410/ebd1b7ae2d7209c566a82da5be29f702.png"></p><p>大腦由數(shù)千億個稱為神經(jīng)元的細胞組成。這些神經(jīng)元通過突觸連接在一起，突觸只不過是一個神經(jīng)元可以向另一個神經(jīng)元發(fā)送沖動的連接。當一個神經(jīng)元向另一個神經(jīng)元發(fā)送興奮性信號時，該信號將被添加到該神經(jīng)元的所有其他輸入中。如果它超過給定的閾值，那么它將導致目標神經(jīng)元向前發(fā)射動作信號——這就是思考過程內(nèi)部的工作方式。</p><p>在計算機科學中，我們通過使用矩陣在計算機上創(chuàng)建 “網(wǎng)絡(luò)” 來模擬這個過程。這些網(wǎng)絡(luò)可以理解為神經(jīng)元的抽象，而沒有考慮所有生物復雜性。為簡單起見，我們只對一個簡單的 NN 進行建模，其中兩層能夠解決線性分類問題。
展開 什么是 Perceptron 最簡單的人工神經(jīng)網(wǎng)絡(luò) ￥3
Perceptron 是最簡單的人工神經(jīng)網(wǎng)絡(luò)架構(gòu)之一，由 Frank Rosenblatt 于 1957 年提出。它主要用于二進制分類。
當時，統(tǒng)計機器學習和常規(guī)編程等傳統(tǒng)方法通常用于預測。盡管 Perceptron 模型是最簡單的人工神經(jīng)網(wǎng)絡(luò)形式之一，但事實證明，該模型在解決特定分類問題方面非常有效，為 AI 和機器學習的進步奠定了基礎(chǔ)。
本文旨在提供感知器模型的基礎(chǔ)知識、其架構(gòu)、工作原理和應用，涵蓋使用 PyTorch 的理論和實際實現(xiàn)。
目錄
? 什么是感知器？
? Perceptron 的組件
? Perceptron 是如何工作的？
? 構(gòu)建和訓練單層感知器模型
? 將 Perceptron 與 PyTorch 結(jié)合使用進行二進制分類
? Perceptron 的限制
1 什么是感知器？
感知器是一種 執(zhí)行二進制分類的神經(jīng)網(wǎng)絡(luò)，它將輸入特征映射到輸出決策，通常將數(shù)據(jù)分為兩類之一，例如 0 或 1。
Perceptron 由單層輸入節(jié)點組成，這些節(jié)點完全連接到一層輸出節(jié)點。它特別擅長學習線性可分模式。它利用了一種稱為閾值邏輯單元 （TLU） 的人工神經(jīng)元變體，該神經(jīng)元由 McCulloch 和 Walter Pitts 在 1940 年代首次引入。這個基礎(chǔ)模型在開發(fā)更高級的神經(jīng)網(wǎng)絡(luò)和機器學習算法方面發(fā)揮了至關(guān)重要的作用。
2 感知器的類型
1. 單層感知器是一種僅限于學習線性可分離模式的感知器。它對于數(shù)據(jù)可以通過直線劃分為不同類別的任務非常有效。雖然它的簡單性很強大，但它難以解決更復雜的問題，其中輸入和輸出之間的關(guān)系是非線性的。
2. 多層感知器具有增強的處理能力，因為它們由兩層或多層組成，擅長處理數(shù)據(jù)中更復雜的模式和關(guān)系。
展開 土木界首篇人工智能論文出爐：用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)結(jié)構(gòu)損傷視覺識別
Cha老師用上了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，簡稱CNNs)——他在文中引用多篇LeCun的文章，LeCun正是Facebook人工智能實驗室的負責人，還是Google創(chuàng)始人Page的老師。Google、微軟、Facebook、Twitter、百度等世界“AI巨頭”們目前爭相投入重金研究的課題，正是這個CNNs。Google用CNNs開發(fā)基于安卓系統(tǒng)的語音識別系統(tǒng)，百度用CNNs開發(fā)視覺搜索引擎……
微軟的Leon Bottou說：“沒有人比LeCun更能推動卷積神經(jīng)網(wǎng)絡(luò)發(fā)展了”；深度學習運動核心人物Geoffrey Hinton說：“是LeCun高舉著火炬，沖過了最黑暗的時代”——在多年前，神經(jīng)網(wǎng)絡(luò)這個工具并不好用，經(jīng)常出錯，直到計算機科學家LeCun對算法有了實質(zhì)性的推進。如今我們有足夠的理由相信神經(jīng)網(wǎng)絡(luò)這個科技工具，至少我們相信那些把神經(jīng)網(wǎng)絡(luò)大規(guī)模應用于銀行業(yè)務和ATM機上的銀行家們的選擇——他們往往是對技術(shù)很保守的一群人。
回到這篇文章，Cha老師首先掌握了332張用佳能單反相機拍攝的高清混凝土結(jié)構(gòu)表面裂縫照片，他把這些照片分為兩組，一組是277張分辨率為4928x3264的照片作為“訓練組”，一組是55張分辨率為5888x3584的照片作為“驗證組”。
人工神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù)庫需要海量數(shù)據(jù)，277這個數(shù)字顯然不夠，況且，當一副照片中含有的信息越多，對神經(jīng)網(wǎng)絡(luò)而言，干擾就越多，就越不容易突出重點。于是Cha老師將這277張照片分割成4萬張分辨率為256x256的小照片作為訓練數(shù)據(jù)庫。
展開 基于Mathematica神經(jīng)網(wǎng)絡(luò)的驗證碼識別
人工神經(jīng)網(wǎng)絡(luò)（英語：Artificial Neural Network，ANN），簡稱神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）或類神經(jīng)網(wǎng)絡(luò)，在機器學習和認知科學領(lǐng)域，是一種模仿生物神經(jīng)網(wǎng)絡(luò)（動物的中樞神經(jīng)系統(tǒng)，特別是大腦）的結(jié)構(gòu)和功能的數(shù)學模型或計算模型，用于對函數(shù)進行估計或近似。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應系統(tǒng)，通俗的講就是具備學習功能。現(xiàn)代神經(jīng)網(wǎng)絡(luò)是一種非線性統(tǒng)計性數(shù)據(jù)建模工具，神經(jīng)網(wǎng)絡(luò)通常是通過一個基于數(shù)學統(tǒng)計學類型的學習方法（Learning Method）得以優(yōu)化，所以也是數(shù)學統(tǒng)計學方法的一種實際應用，通過統(tǒng)計學的標準數(shù)學方法我們能夠得到大量的可以用函數(shù)來表達的局部結(jié)構(gòu)空間，另一方面在人工智能學的人工感知領(lǐng)域，我們通過數(shù)學統(tǒng)計學的應用可以來做人工感知方面的決定問題（也就是說通過統(tǒng)計學的方法，人工神經(jīng)網(wǎng)絡(luò)能夠類似人一樣具有簡單的決定能力和簡單的判斷能力），這種方法比起正式的邏輯學推理演算更具有優(yōu)勢。
目前存在很多成熟的神經(jīng)網(wǎng)絡(luò)框架，比如Tensorflow、PyTorch、Keras、MXNet還有百度的paddle，matlab也有相對應的工具箱，而作為同是“3m”之一的Mathematica自然也是不甘于落后，于2016年引入相關(guān)的接口，并在2020年進行了主要的更新，本文假定讀者已經(jīng)擁有了深度學習的基礎(chǔ)知識，將利用mathematica軟件提供的接口來解決一類簡單的驗證碼識別任務，以此來引導讀者對mathematica的深度學習工具有一個大致的了解，希望能對大家有所啟發(fā)。
數(shù)據(jù)集準備
目前許多網(wǎng)站的人機識別機制還是如下圖的驗證碼形式，本體是由26個字母和10個數(shù)字組合而成再加以隨機變換和噪聲干擾的四個字符圖片。
展開 遞歸神經(jīng)網(wǎng)絡(luò)解釋
編輯
在循環(huán)網(wǎng)絡(luò)的訓練期間，網(wǎng)絡(luò)還會在每個時間步長生成一個輸出。此輸出用于使用梯度下降訓練網(wǎng)絡(luò)。
?編輯
所涉及的反向傳播類似于典型人工神經(jīng)網(wǎng)絡(luò)中使用的反向傳播，但有一些細微的變化。這些變化被記錄為：-設(shè)網(wǎng)絡(luò)在任何時間步的預測輸出為?編輯 ，實際輸出為?編輯 。然后每個時間步的誤差由下式給出：
?編輯
誤差由所有時間步的誤差之和給出。
?編輯
?編輯
同樣，該值?編輯 可以計算為每個時間步的梯度之和。
?編輯
使用微積分的鏈式法則，并利用時間步 t 的輸出是循環(huán)單元的當前隱藏狀態(tài)的函數(shù)這一事實，產(chǎn)生了以下表達式：-
?編輯
請注意，上述表達式中使用的權(quán)重矩陣 W 對于輸入向量和隱藏狀態(tài)向量是不同的，并且僅以這種方式用于符號的便利性。
因此，出現(xiàn)了以下表達式：-
?編輯
因此，Back-Propagation Through Time 與典型的 Back-Propagation 的唯一區(qū)別在于，每個時間步的誤差相加以計算總誤差。?編輯
盡管基本的遞歸神經(jīng)網(wǎng)絡(luò)相當有效，但它可能會遇到一個重大問題。對于深度網(wǎng)絡(luò)，反向傳播過程可能會導致以下問題：
消失的梯度：當梯度變得非常小并趨于零時，就會發(fā)生這種情況。
分解梯度：當梯度由于反向傳播而變得太大時，會發(fā)生這種情況。
Exploding Gradients 的問題可以通過使用 hack 來解決 – 通過在時間上回傳遞的梯度設(shè)置閾值。但是這種解決方案并不被視為問題的解決方案，也可能降低網(wǎng)絡(luò)的效率。為了解決這個問題，開發(fā)了遞歸神經(jīng)網(wǎng)絡(luò)的兩種主要變體——長短期記憶網(wǎng)絡(luò)和門控遞歸單元網(wǎng)絡(luò)。
遞歸神經(jīng)網(wǎng)絡(luò) （RNN） 是一種人工神經(jīng)網(wǎng)絡(luò)，旨在處理順序數(shù)據(jù)。
展開 并使用Python構(gòu)建真實世界的神經(jīng)網(wǎng)絡(luò)模型 ￥5
你還將深入研究神經(jīng)網(wǎng)絡(luò)和深度學習概念，這些概念驅(qū)動著當今最先進的技術(shù)，如自動駕駛汽車、推薦引擎、語音助手和圖像識別系統(tǒng)。
- 課程涵蓋內(nèi)容：
- 機器學習、人工智能與神經(jīng)網(wǎng)絡(luò)入門
- 有監(jiān)督、無監(jiān)督和強化學習技術(shù)
- 神經(jīng)網(wǎng)絡(luò)、深度學習和模型優(yōu)化
- 實用人工智能應用和真實世界用例
- 理解人工智能系統(tǒng)如何學習、適應和改進
- 構(gòu)建可擴展人工智能解決方案的工具和最佳實踐
- 適用人群：
- 沒有任何人工智能或機器學習經(jīng)驗的初學者
- 希望進入人工智能領(lǐng)域的學生和專業(yè)人士
- 想要掌握機器學習、人工智能與神經(jīng)網(wǎng)絡(luò)的開發(fā)者和數(shù)據(jù)愛好者
- 尋求理解人工智能驅(qū)動決策的商業(yè)專業(yè)人士
- 推薦理由：
- 當今就業(yè)市場所需的熱門技能
- 清晰的解釋與實踐學習示例相結(jié)合
- 終身訪問權(quán)限，可立即應用的實用知識
- 為進階人工智能、深度學習和數(shù)據(jù)科學職業(yè)奠定堅實基礎(chǔ)
- 課程成果：課程結(jié)束時，你將能夠自信地理解并應用機器學習、人工智能與神經(jīng)網(wǎng)絡(luò)來解決實際問題，并在人工智能領(lǐng)域推進你的職業(yè)生涯。
展開 
什么是神經(jīng)網(wǎng)絡(luò)？ ￥2
通過強化學習進行學習
通過與環(huán)境互動和以獎勵或懲罰的形式提供反饋，網(wǎng)絡(luò)獲得了知識。找到一種隨著時間的推移優(yōu)化累積獎勵的政策或策略是該網(wǎng)絡(luò)的目標。這種經(jīng)常用于游戲和決策應用程序。
神經(jīng)網(wǎng)絡(luò)的類型
可以使用七種類型的神經(jīng)網(wǎng)絡(luò)。
前饋神經(jīng)網(wǎng)絡(luò)：前饋神經(jīng)網(wǎng)絡(luò)是一種簡單的人工神經(jīng)網(wǎng)絡(luò)架構(gòu)，其中數(shù)據(jù)沿單個方向從輸入移動到輸出。它有 input、hidden 和 output 層;沒有反饋循環(huán)。其簡單的架構(gòu)使其適用于許多應用程序，例如回歸和模式識別。
多層感知器 （MLP）：MLP 是一種具有三層或更多層的前饋神經(jīng)網(wǎng)絡(luò)，包括一個輸入層、一個或多個隱藏層和一個輸出層。它使用非線性激活函數(shù)。
卷積神經(jīng)網(wǎng)絡(luò) （CNN）：卷積神經(jīng)網(wǎng)絡(luò) （CNN） 是一種專為圖像處理而設(shè)計的專用人工神經(jīng)網(wǎng)絡(luò)。它采用卷積層從輸入圖像中自動學習分層特征，從而實現(xiàn)有效的圖像識別和分類。CNN 徹底改變了計算機視覺，在對象檢測和圖像分析等任務中發(fā)揮著關(guān)鍵作用。
遞歸神經(jīng)網(wǎng)絡(luò) （RNN）：一種用于順序數(shù)據(jù)處理的人工神經(jīng)網(wǎng)絡(luò)類型稱為遞歸神經(jīng)網(wǎng)絡(luò) （RNN）。它適用于上下文依賴關(guān)系至關(guān)重要的應用程序，例如時間序列預測和自然語言處理，因為它利用反饋循環(huán)，使信息能夠在網(wǎng)絡(luò)中生存。
長短期記憶 （LSTM）：LSTM 是一種 RNN，旨在克服訓練 RNN 中的梯度消失問題。它使用存儲單元和門選擇性地讀取、寫入和擦除信息。
神經(jīng)網(wǎng)絡(luò)的簡單實現(xiàn)
代碼案例
?
展開 IJP：從RVE到組件的跨尺度預測
這些結(jié)果形成了一個巨大的數(shù)據(jù)庫，可用于人工神經(jīng)網(wǎng)絡(luò)學習。
用于本構(gòu)更新的ANN:從CACPFEM模型獲得的數(shù)據(jù)樣本被處理成三組，分別用于訓練、驗證和測試人工神經(jīng)網(wǎng)絡(luò)模型。隨后，ANN模型可用于確定動態(tài)變化的本構(gòu)參數(shù)(例如，參考屈服應力和各向異性參數(shù))。因此，通過足夠的數(shù)據(jù)樣本和適當?shù)挠柧殻梢杂行У亟⒂糜跇?gòu)件有限元分析的基于神經(jīng)網(wǎng)絡(luò)的本構(gòu)關(guān)系。
宏觀預測的FEM:基于人工神經(jīng)網(wǎng)絡(luò)的本構(gòu)關(guān)系，用有限元法對零件的成形過程進行整體預測。考慮到人工神經(jīng)網(wǎng)絡(luò)模型是由CACPFEM產(chǎn)生的數(shù)據(jù)樣本建立的，因此微觀尺度的演化機制可以反映在宏觀尺度的變形行為中。
用于微尺度預測的CACPFEM:通過對組件中相關(guān)區(qū)域的FEM分析(例如，應變、時間、溫度、變形模式)得出的邊界條件將通過CACPFEM模型應用于RVE。通過這樣做，可以獲得非均勻變形、力學響應和微觀結(jié)構(gòu)演變的更精細的微觀尺度預測。
為了確保高精度，應該執(zhí)行不同級別的優(yōu)化循環(huán):
優(yōu)化A：優(yōu)化ANN學習過程中的優(yōu)化。如果人工神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出之間的任何相關(guān)指標不在允許的范圍內(nèi)，將啟動優(yōu)化。在這種情況下，CACPFEM模型將生成更多的數(shù)據(jù)樣本。將使用更新的數(shù)據(jù)庫重新訓練ANN模型，并將再次檢查優(yōu)化A的必要性。優(yōu)化A的循環(huán)將繼續(xù)，直到所有的相關(guān)指數(shù)都是允許的。
優(yōu)化B:有限元試分析后的優(yōu)化。如果人工神經(jīng)網(wǎng)絡(luò)模型中的輸入和輸出之間的相關(guān)指數(shù)是允許的，人工神經(jīng)網(wǎng)絡(luò)模型將被構(gòu)建到有限元分析中進行試分析。如果FEM預測范圍超出了ANN預測范圍，將使用CACPFEM模型生成更多變形條件下的數(shù)據(jù)樣本，并添加到數(shù)據(jù)庫中。將使用更新的數(shù)據(jù)庫重新訓練ANN模型，并且將再次重新檢查優(yōu)化A和B的必要性。優(yōu)化B的循環(huán)將繼續(xù)，直到最終FEM預測范圍在ANN預測范圍內(nèi)。
優(yōu)化C:跨尺度比較的優(yōu)化。
展開 基于振動模態(tài)分析和神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)構(gòu)損傷
結(jié)構(gòu)損傷診斷是結(jié)構(gòu)健康監(jiān)測研究的核心與難點目前有關(guān)這一關(guān)鍵問題的研究兩個熱點是利用結(jié)構(gòu)振動模態(tài)分析技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)
基于振動模態(tài)分析和神經(jīng)網(wǎng)絡(luò)技術(shù)的結(jié)構(gòu)損傷....pdf
卷積神經(jīng)網(wǎng)絡(luò)簡介 ￥5
?
?
卷積神經(jīng)網(wǎng)絡(luò) （CNN） 是計算機視覺中常用的一種深度學習神經(jīng)網(wǎng)絡(luò)架構(gòu)。計算機視覺是人工智能的一個領(lǐng)域，它使計算機能夠理解和解釋圖像或視覺數(shù)據(jù)。
在機器學習方面，人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)非常出色。神經(jīng)網(wǎng)絡(luò)用于各種數(shù)據(jù)集，如圖像、音頻和文本。不同類型的神經(jīng)網(wǎng)絡(luò)用于不同的目的，例如，為了預測單詞序列，我們使用循環(huán)神經(jīng)網(wǎng)絡(luò)，更準確地說是 LSTM，同樣，對于圖像分類，我們使用卷積神經(jīng)網(wǎng)絡(luò)。在本博客中，我們將為 CNN 構(gòu)建一個基本構(gòu)建塊。
?
目錄
神經(jīng)網(wǎng)絡(luò)：層和功能
卷積神經(jīng)網(wǎng)絡(luò)
CNN 架構(gòu)
卷積層是如何工作的？
卷積的數(shù)學概述
用于構(gòu)建 ConvNet 的層
神經(jīng)網(wǎng)絡(luò)：層和功能
在常規(guī)神經(jīng)網(wǎng)絡(luò)中，有三種類型的層：
Input Layers（輸入層）：這是我們?yōu)槟Ｐ吞峁┹斎氲膶印Ｔ搶又械?em>神經(jīng)元數(shù)量等于我們數(shù)據(jù)中的特征總數(shù)（圖像中的像素數(shù)）。
隱藏層：然后，來自 Input 層的輸入被饋送到隱藏層中。根據(jù)我們的模型和數(shù)據(jù)大小，可以有許多隱藏層。每個隱藏層可以有不同數(shù)量的神經(jīng)元，這些神經(jīng)元通常大于特征的數(shù)量。每一層的輸出是通過矩陣乘前一層的輸出與該層的可學習權(quán)重，然后加上可學習偏差，然后是激活函數(shù)來計算的，這使得網(wǎng)絡(luò)非線性。
輸出層：然后將隱藏層的輸出饋送到 sigmoid 或 softmax 等 logistic 函數(shù)中，該函數(shù)將每個類的輸出轉(zhuǎn)換為每個類的概率分數(shù)。
將數(shù)據(jù)輸入模型并從上述步驟獲得每一層的輸出稱為前饋，然后我們使用誤差函數(shù)計算誤差，一些常見的誤差函數(shù)是交叉熵、平方損失誤差等。
展開 