第五章:人工智能深度学习教程-人工神经网络(第一节-人工神经网络及其应用)

当您阅读这篇文章时，您体内的哪个器官正在思考这个问题？当然是大脑啦！但你知道大脑是如何运作的吗？嗯，它有神经元或神经细胞，它们是大脑和神经系统的主要单位。这些神经元接收来自外界的感觉输入并进行处理，然后提供可能作为下一个神经元的输入的输出。 

这些神经元中的每一个都通过突触以复杂的排列方式与其他神经元相连。现在，您想知道这与人工神经网络有什么关系吗？嗯，人工神经网络是根据人脑中的神经元建模的。让我们详细看看它们是什么以及它们如何学习信息。 

人工神经网络

人工神经网络包含称为单元的人工神经元。这些单元排列在一系列层中，共同构成系统中的整个人工神经网络。一个层只能有十几个单元或数百万个单元，因为这取决于复杂的神经网络如何学习数据集中的隐藏模式。通常，人工神经网络具有输入层、输出层以及隐藏层。输入层从外界接收神经网络需要分析或学习的数据。然后，该数据通过一个或多个隐藏层，将输入转换为对输出层有价值的数据。最后，输出层以人工神经网络对所提供的输入数据的响应的形式提供输出。 

在大多数神经网络中，单元从一层互连到另一层。这些连接中的每一个都具有确定一个单元对另一个单元的影响的权重。随着数据从一个单元传输到另一个单元，神经网络对数据的了解越来越多，最终从输出层产生输出。 

神经网络架构

人类神经元的结构和操作是人工神经网络的基础。它也被称为神经网络或神经网络。人工神经网络的输入层是第一层，它接收来自外部源的输入并将其释放到隐藏层，即第二层。在隐藏层中，每个神经元接收前一层神经元的输入，计算加权和，并将其发送到下一层神经元。这些连接是加权的，意味着通过为每个输入分配不同的权重来或多或少地优化前一层输入的效果，并在训练过程中通过优化这些权重来调整模型性能。 

人工神经元与生物神经元

人工神经网络的概念来自于动物大脑中发现的生物神经元，因此它们在结构和功能方面有很多相似之处。

• 结构：人工神经网络的结构受到生物神经元的启发。生物神经元具有处理脉冲的细胞体或胞体、接收脉冲的树突以及将脉冲传输到其他神经元的轴突。人工神经网络的输入节点接收输入信号，隐藏层节点计算这些输入信号，输出层节点通过使用激活函数处理隐藏层的结果来计算最终输出。

生物神经元	人工神经元
枝晶	输入
细胞核或体细胞	节点
突触	重量
轴突	输出

• 突触：突触是生物神经元之间的联系，能够将脉冲从树突传递到细胞体。突触是将人工神经元中的一层节点连接到下一层节点的权重。链接的强度由权重值决定。 
• 学习：在生物神经元中，学习发生在细胞体核或体细胞中，细胞核有一个有助于处理脉冲的细胞核。如果脉冲足够强大以达到阈值，就会产生动作电位并穿过轴突。这通过突触可塑性成为可能，突触可塑性代表突触随着时间的推移对其活动变化做出反应而变得更强或更弱的能力。在人工神经网络中，反向传播是一种用于学习的技术，它根据预测结果与实际结果之间的误差或差异来调整节点之间的权重。

生物神经元	人工神经元
突触可塑性	反向传播

• 激活：在生物神经元中，激活是指当脉冲足够强达到阈值时发生的神经元放电率。在人工神经网络中，称为激活函数的数学函数将输入映射到输出，并执行激活。

生物神经元到人工神经元

人工神经网络如何学习？

人工神经网络使用训练集进行训练。例如，假设您想教人工神经网络识别猫。然后它会显示数千张不同的猫图像，以便网络能够学习识别猫。一旦使用猫的图像对神经网络进行了足够的训练，那么您需要检查它是否可以正确识别猫的图像。这是通过让人工神经网络对其提供的图像进行分类来完成的，确定它们是否是猫图像。人工神经网络获得的输出得到了人类提供的关于图像是否是猫图像的描述的证实。如果人工神经网络识别不正确，则使用反向传播来调整它在训练期间学到的任何内容。反向传播是通过根据获得的错误率微调 ANN 单元中的连接权重来完成的。这个过程一直持续到人工神经网络能够以尽可能小的错误率正确识别图像中的猫。 

人工神经网络有哪些类型？

• 前馈神经网络：前馈神经网络是最基本的人工神经网络之一。在此人工神经网络中，提供的数据或输入沿单一方向传播。它通过输入层进入人工神经网络并通过输出层退出，而隐藏层可能存在也可能不存在。因此前馈神经网络只有前向传播波，通常没有反向传播。 
• 卷积神经网络：卷积神经网络与前馈神经网络有一些相似之处，其中单元之间的连接具有确定一个单元对另一个单元的影响的权重。但CNN有一个或多个卷积层，对输入进行卷积运算，然后将获得的结果以输出的形式传递到下一层。CNN 在语音和图像处理方面有应用，尤其在计算机视觉方面特别有用。 
• 模块化神经网络：模块化神经网络包含一组不同的神经网络，这些神经网络独立工作以获得输出，而它们之间没有交互。与其他网络相比，每个不同的神经网络通过获得独特的输入来执行不同的子任务。这种模块化神经网络的优点在于，它将大型复杂的计算过程分解为更小的组件，从而降低其复杂性，同时仍然获得所需的输出。 
• 径向基函数神经网络：径向基函数是考虑点相对于中心的距离的函数。RBF 函数有两层。在第一层中，输入被映射到隐藏层中的所有径向基函数，然后输出层计算下一步的输出。径向基函数网络通常用于对表示任何潜在趋势或函数的数据进行建模。 
• 循环神经网络：循环神经网络保存一层的输出，并将该输出反馈给输入，以更好地预测该层的结果。RNN 中的第一层与前馈神经网络非常相似，并且一旦计算出第一层的输出，循环神经网络就开始。在这一层之后，每个单元都会记住上一步的一些信息，以便它可以充当执行计算的存储单元。 

人工神经网络的应用

1. 社交媒体：人工神经网络在社交媒体中大量使用。例如，我们以Facebook 上的“您可能认识的人”功能为例，该功能会推荐您在现实生活中可能认识的人，以便您可以向他们发送好友请求。那么，这种神奇的效果是通过使用人工神经网络来实现的，它会分析您的个人资料、您的兴趣、您当前的朋友以及他们的朋友和各种其他因素来计算您可能认识的人。机器学习在社交媒体中的另一个常见应用是面部识别。这是通过在人脸上找到大约 100 个参考点，然后使用卷积神经网络将它们与数据库中已有的参考点进行匹配来完成的。 
2. 营销和销售：当您登录亚马逊和 Flipkart 等电子商务网站时，他们会根据您之前的浏览历史推荐您购买的产品。同样，假设你喜欢意大利面，那么 Zomato、Swiggy 等会根据你的口味和之前的订单历史向你推荐餐厅。所有新时代的营销领域都是如此，例如图书网站、电影服务、酒店网站等，并且这是通过实施个性化营销来实现的。它使用人工神经网络来识别客户的喜好、不喜欢、以前的购物历史等，然后相应地定制营销活动。 
3. 医疗保健：人工神经网络在肿瘤学中用于训练算法，这些算法可以在微观水平上识别癌组织，其准确度与训练有素的医生相同。各种罕见疾病可能会通过身体特征表现出来，并且可以通过对患者照片进行面部分析来在早期阶段进行识别。因此，在医疗环境中全面实施人工神经网络只能增强医学专家的诊断能力，最终导致全球医疗质量的全面提高。 
4. 个人助理：相信大家都听说过Siri、Alexa、Cortana等，并且也根据自己的手机听过它们！！！这些是个人助理和语音识别的示例，使用自然语言处理与用户交互并相应地制定响应。自然语言处理使用人工神经网络来处理这些个人助理的许多任务，例如管理语言语法、语义、正确的语音、正在进行的对话等。