人工智能 (AI) 最初被认为是一个遥远的梦想,是一种面向未来的技术,但现在情况已不再如此。
曾经的研究课题现在正在现实世界中爆炸式增长。 现在可以在很多地方找到人工智能,包括你的工作场所、学校、银行、医院,甚至你的手机。
它们是自动驾驶汽车的眼睛、Siri 和 Alexa 的声音、天气预报背后的思想、机器人辅助手术背后的双手等等。
人工智能 (AI)正在成为现代生活的一个普遍特征。 在过去几年中,人工智能已成为各种 IT 技术的主要参与者。
最后,人工智能使用神经网络来学习新事物。
所以今天我们将了解神经网络,它是如何工作的,它们的类型,应用等等。
什么是神经网络?
In 机器学习,神经网络是人工神经元的软件编程网络。 它试图通过拥有许多层“神经元”来模仿人脑,这些“神经元”类似于我们大脑中的神经元。
第一层神经元将接受照片、视频、声音、文本和其他输入。 这些数据流经所有层,一层的输出流入下一层。 这对于最困难的任务至关重要,例如机器学习的自然语言处理。
然而,在其他情况下,以系统压缩为目标以减小模型大小,同时保持准确性和效率是可取的。 修剪神经网络是一种压缩方法,包括从学习模型中删除权重。 考虑一个经过训练可以区分人和动物的人工智能神经网络。
图片会被第一层神经元分成明暗两部分。 该数据将被传递到下一层,这将确定边缘的位置。
下一层将尝试识别边缘组合产生的形式。 根据它所训练的数据,数据将以类似的方式通过许多层,以确定您呈现的图像是人还是动物。
当数据被输入神经网络时,它开始处理它。 之后,通过其级别处理数据以获得所需的结果。 神经网络是一种从结构化输入中学习并显示结果的机器。 在神经网络中可以进行三种类型的学习:
- 监督学习——使用标记数据将输入和输出提供给算法。 在被教导如何分析数据后,他们预测了预期的结果。
- 无监督学习——人工神经网络在没有人类帮助的情况下学习。 没有标记数据,输出由输出数据中的模式决定。
- 强化学习 是网络从它收到的反馈中学习的时候。
神经网络如何工作?
人工神经元用于神经网络,这是复杂的系统。 人工神经元,也称为感知器,由以下组件组成:
- 输入
- 重量
- 偏见
- 激活函数
- 输出
构成神经网络的神经元层。 神经网络由三层组成:
- 输入层
- 隐藏层
- 输出层
数值形式的数据被发送到输入层。 网络的隐藏层是进行最多计算的层。 最后但并非最不重要的一点是,输出层预测结果。 神经元在神经网络中相互支配。 神经元用于构建每一层。 输入层得到数据后,数据被路由到隐藏层。
权重应用于每个输入。 在神经网络的隐藏层中,权重是转换输入数据的值。 权重通过将输入数据乘以输入层中的权重值来发挥作用。
然后它开始第一个隐藏层的值。 输入数据经过转换并通过隐藏层传递到另一层。 输出层负责生成最终结果。 输入和权重相乘,结果作为和传递给隐藏层神经元。 每个神经元都被赋予了一个偏差。 为了计算总数,每个神经元将其接收到的输入相加。
之后,该值通过激活函数传递。 激活函数的结果决定了一个神经元是否被激活。 当一个神经元处于活动状态时,它会将信息发送到其他层。 数据在网络中创建,直到神经元使用这种方法到达输出层。 前向传播是另一个术语。
将数据馈送到输入节点并通过输出节点获得输出的技术称为前馈传播。 当输入数据被隐藏层接受时,就会发生前馈传播。 它根据激活函数进行处理,然后传递给输出。
结果由输出层中具有最高概率的神经元投影。 当输出不正确时会发生反向传播。 在创建神经网络时将权重初始化为每个输入。 反向传播是重新调整每个输入的权重以减少错误并提供更准确的输出的过程。
神经网络的类型
1. 感知器
Minsky-Papert 感知器模型是最简单和最古老的神经元模型之一。 它是执行某些计算以发现传入数据中的特征或商业智能的神经网络的最小单元。 它采用加权输入并应用激活函数来获得最终结果。 TLU(阈值逻辑单元)是感知器的另一个名称。
感知器是一个二元分类器,它是一个监督学习系统,将数据分为两组。 逻辑门 AND、OR 和 NAND 等可以用感知器实现。
2. 前馈神经网络
神经网络的最基本版本,其中输入数据仅在一个方向上流动,通过人工神经节点并通过输出节点退出。 输入和输出层存在于可能存在或不存在隐藏层的地方。 基于此,它们可以被表征为单层或多层前馈神经网络。
使用的层数由函数的复杂性决定。 它只在一个方向上向前传播,而不会向后传播。 在这里,权重保持不变。 输入乘以权重以提供激活函数。 使用分类激活函数或阶跃激活函数来执行此操作。
3. 多层感知器
精致的介绍 神经网络,其中输入数据通过多层人工神经元进行路由。 它是一个完全链接的神经网络,因为每个节点都连接到下一层的所有神经元。 多个隐藏层,即至少三层或更多层,存在于输入层和输出层中。
它具有双向传播,这意味着它可以向前和向后传播。 输入乘以权重并发送到激活函数,在那里它们通过反向传播改变以最小化损失。
简而言之,权重是来自神经网络的机器学习值。 根据预期输出和培训输入之间的差异,它们会自我调整。 Softmax用作非线性激活函数之后的输出层激活函数。
4. 卷积神经网络
与传统的二维数组相比,卷积神经网络具有神经元的三维配置。 第一层称为卷积层。 卷积层中的每个神经元只处理来自视野有限部分的信息。 像过滤器一样,输入特征以批处理模式获取。
网络对图片进行分段理解,并可以多次执行这些动作来完成整个图像处理。
图片在处理过程中从 RGB 或 HSI 转换为灰度。 像素值的进一步变化将有助于检测边缘,并且图片可以分为几组。 单向传播发生在 CNN 包含一个或多个卷积层后跟池化时,而双向传播发生在卷积层的输出被发送到完全连接的神经网络进行图像分类时。
为了提取图像的某些元素,使用了过滤器。 在 MLP 中,输入被加权并提供给激活函数。 RELU 用于卷积,而 MLP 使用非线性激活函数,然后是 softmax。 在图片和视频识别、语义解析和释义检测中,卷积神经网络产生了出色的效果。
5.径向偏置网络
输入向量之后是一层 RBF 神经元和一个输出层,在径向基函数网络中每个类别都有一个节点。 通过将输入与训练集中的数据点进行比较来对输入进行分类,其中每个神经元都维护一个原型。 这是训练集的示例之一。
当必须对新的输入向量 [您尝试分类的 n 维向量] 进行分类时,每个神经元都会计算输入与其原型之间的欧几里得距离。 如果我们有两个类,A 类和 B 类,要分类的新输入更类似于 A 类原型而不是 B 类原型。
因此,它可能被标记或归类为 A 类。
6. 循环神经网络
循环神经网络旨在保存层的输出,然后将其反馈到输入中以帮助预测层的结果。 前馈 神经网络 通常是初始层,然后是循环神经网络层,其中一个记忆函数记住它在前一个时间步长中拥有的部分信息。
此方案使用前向传播。 它保存了将来需要的数据。 如果预测不正确,则使用学习率进行微调。 结果,随着反向传播的进行,它将变得越来越准确。
应用领域
神经网络用于处理各种学科的数据问题; 一些例子如下所示。
- 面部识别——面部识别解决方案可作为有效的监控系统。 识别系统将数码照片与人脸联系起来。 它们在办公室中用于选择性进入。 因此,系统会验证人脸并将其与存储在其数据库中的 ID 列表进行比较。
- 股票预测——投资面临市场风险。 在极度波动的股市中,几乎很难预见未来的发展。 在神经网络之前,不断变化的看涨和看跌阶段是不可预测的。 但是,是什么改变了一切? 当然,我们谈论的是神经网络……多层感知器 MLP(一种前馈人工智能系统)用于实时创建成功的股票预测。
- 社交媒体 – 不管听起来多么老套,社交媒体已经改变了世俗的存在方式。 使用人工神经网络研究社交媒体用户的行为。 对于竞争分析,每天通过虚拟交互提供的数据被堆积和检查。 社交媒体用户的行为由神经网络复制。 一旦通过社交媒体网络分析数据,个人的行为就可以与人们的消费模式联系起来。 来自社交媒体应用程序的数据是使用多层感知器 ANN 挖掘的。
- 医疗保健——当今世界的个人正在利用医疗保健行业的技术优势。 在医疗保健业务中,卷积神经网络用于 X 射线检测、CT 扫描和超声波。 从上述测试中收到的医学成像数据使用神经网络模型进行评估和评估,因为 CNN 用于图像处理。 在语音识别系统的开发中,还使用了循环神经网络(RNN)。
- 天气报告——在人工智能实施之前,气象部门的预测从来都不是准确的。 天气预报主要是为了预测未来将发生的天气状况。 天气预报被用来预测现代自然灾害的可能性。 天气预报是使用多层感知器 (MLP)、卷积神经网络 (CNN) 和循环神经网络 (RNN) 完成的。
- 防御——后勤、武装攻击分析和物品定位都使用神经网络。 他们还受雇于空中和海上巡逻,以及管理自主无人机。 人工智能正在为国防工业提供扩大其技术所需的急需推动力。 为了检测水下水雷的存在,使用了卷积神经网络 (CNN)。
优势
- 即使神经网络中的一些神经元不能正常工作,神经网络仍然会产生输出。
- 神经网络能够实时学习并适应不断变化的环境。
- 神经网络可以学习完成各种任务。 根据提供的数据提供正确的结果。
- 神经网络具有同时处理多个任务的强度和能力。
缺点
- 神经网络用于解决问题。 由于网络的复杂性,它没有披露“为什么以及如何”做出判断背后的解释。 因此,网络信任可能会受到侵蚀。
- 神经网络的组件相互依赖。 也就是说,神经网络需要(或极度依赖)具有足够计算能力的计算机。
- 神经网络过程没有特定的规则(或经验法则)。 在试错法中,通过尝试最优网络来建立正确的网络结构。 这是一个需要大量微调的过程。
结论
的领域 神经网络 正在迅速扩大。 为了能够处理它们,学习和理解该领域的概念至关重要。
本文介绍了多种类型的神经网络。 如果您对这门学科有更多了解,您可以使用神经网络来解决其他领域的数据问题。
发表评论