什么是神经网络？

什么是神经网络？

人工神经网络是一种数学模型，类似于构成生物大脑的生物神经网络。 此类系统通过查看示例来学习执行任务，而无需针对特定应用程序进行特殊编程。

它们在语音和图像识别等领域提供一流的性能，处理无序数据，例如录制的语音和照片。

神经网络与 AI 和 ML 有何不同？

人工智能是计算机科学的一个广阔分支，专注于创建可以执行智能任务的智能机器。

https://forklog.com/chto-takoe-iskusstvennyj-intellekt/

机器学习是人工智能的一个子集，旨在不是以直接的方式解决问题，而是通过在一组示例上训练算法后在数据中搜索模式来解决问题。

https://forklog.com/chto-takoe-mashinnoe-obuchenie/

神经网络是机器学习的一个子集。 如上所述，他们擅长基于非结构化数据进行预测。

神经网络由什么组成？

人工神经网络与其自然对应物相似，由神经元和突触组成。

神经元是接收信息并对其进行某些计算的单元。 它是任何神经网络中最简单的结构单元。 通常，神经元按层排列，最终形成网络。

所有神经元都以大致相同的方式工作。 然而，有一些特殊情况的神经元执行特定功能。

神经元的主要类型：

突触是将一个神经元的输出连接到另一个神经元的输入的连接。 通过它的信号可以增加或减少。

突触参数是权重——一个系数，从一个神经元到另一个神经元的传输信息可以根据该系数发生变化。

激活器在神经网络的架构中扮演着重要的角色。 就像在生物体的大脑中一样，它决定哪些信号通过神经元，哪些不通过。

例如，假设您拿起一个热水壶。 手指上的神经末梢会将信息传递给大脑的神经元，在那里激活功能将决定是将手拉离热源还是继续传递信号。

神经网络是如何工作的？

一些信息到达神经元的输入层，通过突触传递到下一层。 此外，每个突触都有自己的系数权重，新层中的任何下一个神经元都可以有多个输入。 信息一直传递到最后的出口。

例如，手写识别算法必须能够处理多种表示数据的方式。 从 0 到 9 的每个数字都可以用多种方式书写：每个字符的大小和确切形状可能会有很大差异，具体取决于谁在书写以及在什么情况下书写。

输入层提供了代表组成手写数字图像的像素的值。 输出层反过来预测图片中显示的是哪个符号。

图中的圆圈代表组织成相互连接的垂直层的神经元。

链接的颜色也不同：它们表示神经元之间连接的重要性。 当您在层之间移动时，红色链接会增加该值，从而增加激活接收该值的神经元的机会。

在图中，激活的神经元以红色阴影表示。 在隐藏层 1 中，它们意味着手写形状图像包含类似于手写数字 3 或 7 顶部的水平线的特定像素组合。

通过这种方式，隐藏层 1 可以检测最终合并为完整手写形状的特征线和曲线。

神经网络是如何训练的？

该模型学习神经元之间的哪些连接对于训练期间的成功预测很重要。 在训练的每个阶段，网络使用数学函数来确定其上次预测与预期相比的准确程度。

这个函数会生成一系列的误差值，系统可以使用这些误差值来计算模型应该如何更新附加到每个链接的权重值，最终目的是提高网络预测的准确性。

在许多训练周期中，通过定期手动调整参数，网络将继续生成越来越准确的预测，直到达到最大值。 在这个阶段，例如，当手写数字的识别准确率超过 95% 时，我们可以说神经网络已经训练好了。

什么是数据集？

数据集或数据集是训练神经网络所需的相同类型数据的集合。 例如，要训练一个识别人脸的算法，它需要展示大量其他人的照片。 数据越多，算法越准确。

共有三种类型的数据集：

数据可以是任何格式：表格、照片、视频、音频等。 在使用监督学习方法时，通常使用专门的软件标记数据。 但是，由于数据集中的不准确，生成的模型可能包含错误。

例如，2021 年 4 月，麻省理工学院的专家发现流行的数据集包含许多错误。 例如，流行的算法精度测试数据集包含图像，其中蘑菇可以被标记为勺子，青蛙可以被标记为猫，而阿丽亚娜格兰德在音频文件中的高音被标记为哨子。

麻省理工学院的另一项研究发现，Amazon Mechanical Turk 众包市场中工人的不负责任阻碍了文本生成系统的发展。 关键是他们为一个单位的标记信息付费。 通常，这些工人会尝试快速工作，而不是真正深入研究标记的准确性。

为了防止这种情况发生，研究人员敦促开发人员保持数据“卫生”。

在强化学习中，数据不需要被标记，因为环境中的代理必须独立地找到模式并在达到目标时获得奖励。

神经网络在哪里使用？

神经网络用于解决许多问题：图像、语音和语言的识别和生成，以及与强化学习的结合——在游戏中，从棋盘式围棋，到计算机 Dota 2 或 Quake III。

此类系统是许多现代在线服务的支柱。 亚马逊使用它们来理解语音助手 Alexa 的人类语音，或者微软使用它们在浏览器中实时翻译网站。

Google 上的每个搜索查询都使用多个机器学习系统来理解查询语言并个性化结果。

此外，此类系统已开始应用于几乎所有行业，包括：

神经网络的难点/缺点是什么？

神经网络的一大缺点是它们需要训练的数据量。 有时，为了实现算法的高精度，数据集会达到真正的巨大规模：不久前，Facebook 宣布它正在使用 10 亿张图像来实现图像识别系统的创纪录性能。

由于数据集的大小和训练周期的数量，通常需要使用配备高性能 GPU 的强大且昂贵的计算硬件。 无论您是在云平台上构建自己的系统还是租用硬件，这都会以某种方式影响培训成本。

创建高保真模型的另一个挑战是数据集的不准确。 如前所述，人们在创建数据集时可能会犯错误，这会以一种或另一种方式影响最终结果。

有哪些类型的神经网络？

总共有大约 30 种不同类型的神经网络，适用于不同类型的问题。 例如，卷积神经网络 (CNN) 通常用于计算机视觉任务，而循环神经网络 (RNN) 则用于语言处理。

每个都有自己的特点。 在 CNN 中，初始层专门从图像中提取各种特征，然后将其传输到常规神经网络，从而允许对绘图中的对象进行分类。

RNN 的不同之处在于，神经元不仅从前一层接收信息，还从它们的循环连接接收信息。 这意味着网络也被训练来记住传入数据的顺序。

RNN 的复杂性在于所谓的梯度消失问题：网络随着时间的推移迅速丢失信息。 尽管这仅影响权重，而不影响神经元的状态，但信息会在其中积累。

生成对抗网络 (GAN) 同时由两个神经网络组成：一个创建内容的生成器和一个对其进行评估的鉴别器。

鉴别器网络接收训练或生成器生成的数据。 数据源判别器的猜测程度进一步参与了误差的形成。

因此，生成器和鉴别器之间出现了竞争：第一个学会欺骗第二个，第二个学会 – 揭露欺骗。 训练这样的网络很困难，因为不仅需要训练它们中的每一个，还需要调整它们之间的平衡。

GAN 架构的典型应用是照片造型、深度伪造、音频文件生成等。

神经网络会导致共享人工智能吗？

目前，神经网络用于解决高度专业化的任务，这对应于弱人工智能的定义。

今天，没有任何模型可以被视为通用人工智能，能够解决与人相同的广泛任务并具有相同的理解。 尚不清楚何时开发此类系统。 根据一些预测，它们可能会在未来十年内出现，而根据其他预测，不会早于 1000 年。

在 Telegram 上订阅 ForkLog 新闻：ForkLog AI – 来自 AI 世界的所有新闻！

—-

原文链接：https://forklog.com/chto-takoe-nejronnaya-set/

原文作者：ForkLog

编译者/作者：wanbizu AI

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。