神经网络——人工智能的未来是什么样的？

已发表: 2020-01-14

什么是神经网络？

受生物神经网络的启发，该计算系统通过考虑某些示例来“学习”执行各种任务，通常无需使用特定于任务的规则进行编程。
神经网络是深度学习的一个功能单元，其灵感来自于人脑的结构。然而，最近的人工神经网络是深度学习的功能单元。

例如，在图像识别中，例如识别猫图像。
计算系统可能会通过分析手动标记为“猫”或“没有猫”的示例图像来学习识别包含猫的图像。通过使用结果来识别其他图像中的猫，他们能够学习识别实际图像。他们在事先不了解猫或它们的特征的情况下这样做，例如，它们有皮毛、尾巴、胡须和像猫一样的脸。

深度学习使用模仿人脑行为的人工神经网络来解决数据驱动的复杂问题。深度学习本身是机器学习的一部分，属于人工智能 (AI) 的大保护伞。
机器学习- 人工智能 (AI) 的一种应用，机器学习为系统提供了无需明确编程即可从经验中自动学习和改进的能力。机器学习专注于开发可以访问数据并使用它来为自己学习的计算机程序。
当他们开始观察数据（例如示例、直接经验或说明）时，学习过程就开始了，以便寻找有助于他们在未来做出更好决策的模式。主要目的是让计算机在没有人工干预或帮助的情况下自动学习，并相应地调整它们的动作。
深度学习——深度学习（也称为深度结构化学习或分层学习）是更广泛的基于人工神经网络的机器学习方法系列的一部分。在深度学习下，学习过程可以是有监督的、半监督的或无监督的。深度学习是一类机器学习算法，它使用多个层从原始输入中逐步提取更高级别的特征。
例如，在图像处理中，较低层可以识别边缘，而较高层可以识别与人类相关的概念，例如数字或字母或面部。

神经网络的结构

神经网络由神经元构成，神经元是网络的核心处理单元。神经网络基本上由 3 个不同的层组成，即输入层、隐藏层和输出层。
输入层是将输入馈送到网络的层。 输出层使用该特定隐藏层的输出，大部分计算都在那里进行。这与一些称为偏差的数值相关联，然后将其添加到传递给称为激活函数的阈值函数的输入总和中。
激活函数决定了某个特定的神经元是否应该被激活。激活的神经元将数据传输到下一层。
通道连接这些神经元。

神经网络的工作示例

基本步骤：

我们的输入神经元代表一个输入，基于我们试图分类的信息。
输入神经元中的每个数字在每个突触（通道）上都有一个权重。
在下一层的每个神经元中，我们将所有突触的输出与偏差相加，并将激活函数（通常是 sigmoid 函数）应用于加权和（这使得数字介于 0 和 1 之间）。
Input sum= (w1*x1) + (w1*x2) + (w1*x3) + b1 为每个神经元输入计算
该函数的输出将被视为下一个突触层的输入
继续直到到达输出。

考虑对叶子进行分类的示例，例如正常叶子或缺陷叶子。
在这里，我们向我们的系统提供叶子图像，以根据其状况进行分类。
图像根据其尺寸被分成块，例如，如果它的高度和重量为 28 像素，则将其拆分为 784 像素的 28X28 像素并馈送到输入层。但在这种情况下，它是 30 像素的宽度和 900 像素的高度，它被馈送到输入层。

一层的神经元以随机权重连接到另一层，用于计算总和。一层的输入总和被发送到下一层（隐藏层），每个隐藏层都与一个数值相关联，该数值被添加到输入总和中。
激活函数决定激活哪个神经元，激活哪个神经元，神经元值传递到下一层。这称为前向传播。

具有较高值的神经元

在输出层，具有较高值的神经元决定输出。值基本上是概率值。如果较高的概率值预测出错误的输出，则网络尚待训练。在这种情况下，它被确定为有缺陷的叶子，因此需要对其进行训练，然后才能进行检测/分类。

执行反向传播以预测基于预测值的正确输出。这与实际输出进行比较。迭代权重被分配，直到它们正确预测叶子。然后重新初始化权重以最小化误差。

重新初始化权重后，根据预测值的误差差异，我们得到了与正常叶子相同的准确结果。

神经网络的一些应用

谷歌翻译
人脸识别
自动驾驶汽车
物体检测
音乐创作
语音识别
拼写检查
字符识别

好处

当神经网络的元素出现故障时，借助并行性，它可以毫无问题地继续下去。
神经网络学习并且不需要重新编程。
它可以在任何应用程序中实现。
神经网络执行线性程序无法执行的任务。

缺点

神经网络需要训练才能运行。
大型神经网络需要较长的处理时间。
数据量。