感谢您的光临! Learnfk在线教程网正在翻译编辑中,请您稍等(v^_^)v Learnfk在线教程网
英文链接源链接 [704]
contenteditable="true"

Artificial Neural Networks 介绍

人工神经网络,或者简称为神经网络,并不是一个新想法。它已经存在了大约80年。

直到2011年,深度神经网络因使用新技术,巨大的数据集可用性和强大的计算机而广受欢迎。

神经网络模仿具有树突,核,轴突和末端轴突的神经元。

Terminal Axon

对于一个网络,我们需要两个神经元。这些神经元通过一个突突的树突和另一个突突的终轴突之间的信息传递信息。

Neurons Transfer Information

人工神经元的可能模型看起来像这样-

Probable Model

神经网络如下图所示-

Neural Network

圆是神经元或节点,它们在数据上具有功能,连接圆的边/边缘是传递的权重/信息。

每列是一个层。数据的第一层是输入层。然后,输入层和输出层之间的所有层都是隐藏层。

如果您有一个或几个隐藏层,那么您就有一个浅层的神经网络。如果您有许多隐藏层,那么您将拥有一个深层的神经网络。

在此模型中,您具有输入数据,对其进行加权,然后将其通过神经元中的函数(称为阈值函数或激活函数)传递。

基本上,它是将某个值与某个特定值进行比较之后所有值的总和。如果您发射信号,则输出为(1),否则没有输出,则为(0)。然后将其加权并传递给下一个神经元,并运行相同类型的功能。

我们可以将S型(s形)函数作为激活函数。

至于权重,它们是随机开始的,并且对于节点/神经元的每个输入都是唯一的。

在典型的"前馈"(神经网络的最基本类型)中,您的信息将直接通过创建的网络传递,然后将输出与希望使用Example数据获得的输出进行比较。

从这里开始,您需要调整权重以帮助您获得与所需输出匹配的输出。

直接通过神经网络发送数据的行为称为前馈神经网络。

我们的数据从输入开始依次到各层,然后再到输出。

当我们倒退并开始调整权重以最大程度地减少损失/成本时,这称为反向传播。

这是一个优化问题。在实际应用中,使用神经网络,我们必须处理成千上万个变量,甚至数百万个甚至更多。

第一个解决方案是使用随机梯度下降作为优化方法。现在,有一些options,如AdaGrad,Adam Optimizer等。无论哪种方式,这都是一个庞大的计算操作。这就是为什么神经网络大多搁置了半个多世纪。直到最近,我们甚至在机器中都拥有强大的功能和体系结构,甚至可以考虑执行这些操作,并选择合适大小的数据集进行匹配。

对于简单的分类任务,神经网络在性能上与其他简单算法(如K最近邻居)相对接近。当我们拥有更大的数据和更复杂的问题时,神经网络才真正发挥作用,这两者都胜过其他机器学习模型。

点我分享笔记