人工智能 (AI) 最初被認為是一個遙遠的夢想,是一種面向未來的技術,但現在情況已不再如此。
曾經的研究課題現在正在現實世界中爆炸式增長。 人工智能現在可以在很多地方找到,包括你的工作場所、學校、銀行、醫院,甚至你的手機。
它們是自動駕駛汽車的眼睛、Siri 和 Alexa 的聲音、天氣預報背後的思想、機器人輔助手術背後的雙手等等。
人工智能 (AI)正在成為現代生活的一個普遍特徵。 在過去幾年中,人工智能已成為各種 IT 技術的主要參與者。
最後,人工智能使用神經網絡來學習新事物。
所以今天我們將了解神經網絡,它是如何工作的,它們的類型,應用等等。
什麼是神經網絡?
In 機器學習,神經網絡是人工神經元的軟件編程網絡。 它試圖通過擁有許多層“神經元”來模仿人腦,這些“神經元”類似於我們大腦中的神經元。
第一層神經元將接受照片、視頻、聲音、文本和其他輸入。 這些數據流經所有層,一層的輸出流入下一層。 這對於最困難的任務至關重要,例如機器學習的自然語言處理。
然而,在其他情況下,以系統壓縮為目標,以減少模型大小,同時保持準確性和效率是可取的。 修剪神經網絡是一種壓縮方法,包括從學習模型中刪除權重。 考慮一個經過訓練可以區分人和動物的人工智能神經網絡。
圖片會被第一層神經元分成明暗兩部分。 該數據將被傳遞到下一層,這將確定邊緣的位置。
下一層將嘗試識別邊緣組合產生的形式。 根據它所訓練的數據,數據將以類似的方式通過許多層,以確定您呈現的圖像是人還是動物。
當數據被輸入神經網絡時,它開始處理它。 之後,通過其級別處理數據以獲得所需的結果。 神經網絡是一種從結構化輸入中學習並顯示結果的機器。 在神經網絡中可以進行三種類型的學習:
- 監督學習——使用標記數據將輸入和輸出提供給算法。 在被教導如何分析數據後,他們預測了預期的結果。
- 無監督學習——人工神經網絡在沒有人類幫助的情況下學習。 沒有標記數據,輸出由輸出數據中的模式決定。
- 強化學習 是網絡從它收到的反饋中學習的時候。
神經網絡如何工作?
人工神經元用於神經網絡,這是複雜的系統。 人工神經元,也稱為感知器,由以下組件組成:
- 輸入
- 重量
- 偏見
- 激活函數
- 產量
構成神經網絡的神經元層。 神經網絡由三層組成:
- 輸入層
- 隱藏層
- 輸出層
數值形式的數據被發送到輸入層。 網絡的隱藏層是進行最多計算的層。 最後但並非最不重要的一點是,輸出層預測結果。 神經元在神經網絡中相互支配。 神經元用於構建每一層。 輸入層得到數據後,數據被路由到隱藏層。
權重應用於每個輸入。 在神經網絡的隱藏層中,權重是轉換輸入數據的值。 權重通過將輸入數據乘以輸入層中的權重值來發揮作用。
然後它開始第一個隱藏層的值。 輸入數據經過轉換並通過隱藏層傳遞到另一層。 輸出層負責生成最終結果。 輸入和權重相乘,結果作為和傳遞給隱藏層神經元。 每個神經元都被賦予了一個偏差。 為了計算總數,每個神經元將其接收到的輸入相加。
之後,該值通過激活函數傳遞。 激活函數的結果決定了一個神經元是否被激活。 當一個神經元處於活動狀態時,它會將信息發送到其他層。 數據在網絡中創建,直到神經元使用這種方法到達輸出層。 前向傳播是另一個術語。
將數據饋送到輸入節點並通過輸出節點獲得輸出的技術稱為前饋傳播。 當輸入數據被隱藏層接受時,就會發生前饋傳播。 它根據激活函數進行處理,然後傳遞給輸出。
結果由輸出層中具有最高概率的神經元投影。 當輸出不正確時會發生反向傳播。 在創建神經網絡時將權重初始化為每個輸入。 反向傳播是重新調整每個輸入的權重以減少錯誤並提供更準確的輸出的過程。
神經網絡的類型
1. 感知器
Minsky-Papert 感知器模型是最簡單和最古老的神經元模型之一。 它是執行某些計算以發現傳入數據中的特徵或商業智能的神經網絡的最小單元。 它採用加權輸入並應用激活函數來獲得最終結果。 TLU(閾值邏輯單元)是感知器的另一個名稱。
感知器是一個二元分類器,它是一個監督學習系統,將數據分為兩組。 邏輯門 AND、OR 和 NAND 等可以用感知器實現。
2. 前饋神經網絡
神經網絡的最基本版本,其中輸入數據僅在一個方向上流動,通過人工神經節點並通過輸出節點退出。 輸入和輸出層存在於可能存在或不存在隱藏層的地方。 基於此,它們可以被表徵為單層或多層前饋神經網絡。
使用的層數由函數的複雜性決定。 它只在一個方向上向前傳播,而不會向後傳播。 在這裡,權重保持不變。 輸入乘以權重以提供激活函數。 使用分類激活函數或階躍激活函數來執行此操作。
3. 多層感知器
精緻的介紹 神經網絡,其中輸入數據通過多層人工神經元進行路由。 它是一個完全鏈接的神經網絡,因為每個節點都連接到下一層的所有神經元。 多個隱藏層,即至少三層或更多層,存在於輸入層和輸出層中。
它具有雙向傳播,這意味著它可以向前和向後傳播。 輸入乘以權重並發送到激活函數,通過反向傳播改變它們以最小化損失。
簡而言之,權重是來自神經網絡的機器學習值。 根據預期輸出和培訓輸入之間的差異,它們會自我調整。 Softmax用作非線性激活函數之後的輸出層激活函數。
4. 卷積神經網絡
與傳統的二維數組相比,卷積神經網絡具有神經元的三維配置。 第一層稱為卷積層。 卷積層中的每個神經元只處理來自視野有限部分的信息。 像過濾器一樣,輸入特徵以批處理模式獲取。
網絡對圖片進行分段理解,並可以多次執行這些動作來完成整個圖像處理。
圖片在處理過程中從 RGB 或 HSI 轉換為灰度。 像素值的進一步變化將有助於檢測邊緣,並且圖片可以分為幾組。 單向傳播發生在 CNN 包含一個或多個卷積層後跟池化時,而雙向傳播發生在卷積層的輸出被發送到完全連接的神經網絡進行圖像分類時。
為了提取圖像的某些元素,使用了過濾器。 在 MLP 中,輸入被加權並提供給激活函數。 RELU 用於卷積,而 MLP 使用非線性激活函數,然後是 softmax。 在圖片和視頻識別、語義解析和釋義檢測中,卷積神經網絡產生了出色的效果。
5.徑向偏置網絡
輸入向量之後是一層 RBF 神經元和一個輸出層,在徑向基函數網絡中每個類別都有一個節點。 通過將輸入與訓練集中的數據點進行比較來對輸入進行分類,其中每個神經元都維護一個原型。 這是訓練集的示例之一。
當必須對新的輸入向量 [您嘗試分類的 n 維向量] 進行分類時,每個神經元都會計算輸入與其原型之間的歐幾里得距離。 如果我們有兩個類,A 類和 B 類,要分類的新輸入更類似於 A 類原型而不是 B 類原型。
因此,它可能被標記或歸類為 A 類。
6. 循環神經網絡
循環神經網絡旨在保存層的輸出,然後將其反饋到輸入中以幫助預測層的結果。 前饋 神經網絡 通常是初始層,然後是循環神經網絡層,其中一個記憶函數記住它在前一個時間步長中擁有的部分信息。
此方案使用前向傳播。 它保存了將來需要的數據。 如果預測不正確,則使用學習率進行微調。 結果,隨著反向傳播的進行,它將變得越來越準確。
應用
神經網絡用於處理各種學科的數據問題; 一些例子如下所示。
- 面部識別——面部識別解決方案可作為有效的監控系統。 識別系統將數碼照片與人臉聯繫起來。 它們在辦公室中用於選擇性進入。 因此,系統會驗證人臉並將其與存儲在其數據庫中的 ID 列表進行比較。
- 股票預測——投資面臨市場風險。 在極度波動的股市中,幾乎很難預見未來的發展。 在神經網絡之前,不斷變化的看漲和看跌階段是不可預測的。 但是,是什麼改變了一切? 當然,我們談論的是神經網絡……多層感知器 MLP(一種前饋人工智能係統)用於實時創建成功的股票預測。
- 社群媒體 – 不管聽起來多麼老套,社交媒體已經改變了世俗的存在方式。 使用人工神經網絡研究社交媒體用戶的行為。 對於競爭分析,每天通過虛擬交互提供的數據被堆積和檢查。 社交媒體用戶的行為由神經網絡複製。 一旦通過社交媒體網絡分析數據,個人的行為就可以與人們的消費模式聯繫起來。 來自社交媒體應用程序的數據是使用多層感知器 ANN 挖掘的。
- 醫療保健——當今世界的個人正在利用醫療保健行業的技術優勢。 在醫療保健業務中,卷積神經網絡用於 X 射線檢測、CT 掃描和超聲波。 從上述測試中收到的醫學成像數據使用神經網絡模型進行評估和評估,因為 CNN 用於圖像處理。 在語音識別系統的開發中,還使用了循環神經網絡(RNN)。
- 天氣報告——在人工智能實施之前,氣象部門的預測從來都不是準確的。 天氣預報主要是為了預測未來將發生的天氣狀況。 天氣預報被用來預測現代自然災害的可能性。 天氣預報是使用多層感知器 (MLP)、卷積神經網絡 (CNN) 和循環神經網絡 (RNN) 完成的。
- 防禦——後勤、武裝攻擊分析和物品定位都使用神經網絡。 他們還受僱於空中和海上巡邏,以及管理自主無人機。 人工智能正在為國防工業提供擴大其技術所需的急需推動力。 為了檢測水下水雷的存在,使用了卷積神經網絡 (CNN)。
優點
- 即使神經網絡中的一些神經元不能正常工作,神經網絡仍然會產生輸出。
- 神經網絡能夠實時學習並適應不斷變化的環境。
- 神經網絡可以學習完成各種任務。 根據提供的數據提供正確的結果。
- 神經網絡具有同時處理多個任務的強度和能力。
弊端
- 神經網絡用於解決問題。 由於網絡的複雜性,它沒有披露“為什麼以及如何”做出判斷背後的解釋。 因此,網絡信任可能會受到侵蝕。
- 神經網絡的組件相互依賴。 也就是說,神經網絡需要(或極度依賴)具有足夠計算能力的計算機。
- 神經網絡過程沒有特定的規則(或經驗法則)。 在試錯法中,通過嘗試最優網絡來建立正確的網絡結構。 這是一個需要大量微調的過程。
結論
領域 神經網絡 正在迅速擴大。 為了能夠處理它們,學習和理解該領域的概念至關重要。
本文介紹了多種類型的神經網絡。 如果您對這門學科有更多了解,您可以使用神經網絡來解決其他領域的數據問題。
發表評論