HOME 首頁(yè)
SERVICE 服務(wù)產(chǎn)品
XINMEITI 新媒體代運(yùn)營(yíng)
CASE 服務(wù)案例
NEWS 熱點(diǎn)資訊
ABOUT 關(guān)于我們
CONTACT 聯(lián)系我們
創(chuàng)意嶺
讓品牌有溫度、有情感
專注品牌策劃15年

    神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn)是由什么決定的(神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和功能)

    發(fā)布時(shí)間:2023-04-22 03:06:28     稿源: 創(chuàng)意嶺    閱讀: 141        

    大家好!今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn)是由什么決定的的問題,以下是小編對(duì)此問題的歸納整理,讓我們一起來(lái)看看吧。

    開始之前先推薦一個(gè)非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

    只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

    官網(wǎng):https://ai.de1919.com。

    創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè),服務(wù)客戶遍布全球各地,如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043,或添加微信:1454722008

    本文目錄:

    神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn)是由什么決定的(神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和功能)

    一、深度學(xué)習(xí)入門課程筆記 神經(jīng)網(wǎng)絡(luò)

    深度學(xué)習(xí)入門課程筆記 神經(jīng)網(wǎng)絡(luò)

    神經(jīng)網(wǎng)絡(luò):

    首先咱們先來(lái)回顧一下之前課程所講前向傳播和反向傳播知識(shí)點(diǎn),前往傳播就是從輸入X到最終得到LOSS值的過程,反向傳播是從最終的LOSS值經(jīng)過梯度的傳播最終計(jì)算出權(quán)重矩陣W中所有參數(shù)對(duì)于最終的LOSS值影響大小,更新參數(shù)就是通過不同權(quán)重參數(shù)對(duì)終LOSS值的影響來(lái)調(diào)節(jié)參數(shù),使得咱們的參數(shù)矩陣W能夠更擬合咱們的數(shù)據(jù),也就是使得最終的LOSS值能夠降低。這一系列的過程就是相當(dāng)于完成了一次迭代

    神經(jīng)網(wǎng)絡(luò)本質(zhì)

    下面咱們就來(lái)看看神經(jīng)網(wǎng)絡(luò)跟傳統(tǒng)的線性分類到底有什么區(qū)別,從公式中我們可以看出,一個(gè)最明顯的區(qū)別就是神經(jīng)網(wǎng)絡(luò)函數(shù)多了一個(gè)MAX()計(jì)算也就是說我們?cè)蹅儸F(xiàn)在的函數(shù)公式變成了一個(gè)非線性的操作,也正是這種非線性的函數(shù)使得神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)的線性分類更強(qiáng)大,因?yàn)榉蔷€性可以使得咱們的函數(shù)去擬合更復(fù)雜的數(shù)據(jù)。

    神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    接下來(lái)咱們就來(lái)看一下神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),從途中可以看出,神經(jīng)網(wǎng)絡(luò)是一個(gè)層次的結(jié)構(gòu)

    輸入層也就是代表著數(shù)據(jù)源

    隱層這個(gè)大家理解起來(lái)可能有些費(fèi)勁,咱們可以把隱層當(dāng)成是中間層也就是在這里對(duì)輸入數(shù)據(jù)進(jìn)行了非線性的變換

    激活函數(shù)它是跟隱層在一起的,比如這個(gè)MAX()函數(shù)就是一個(gè)激活函數(shù),正是因?yàn)榧せ詈瘮?shù)的存在才使得整個(gè)神經(jīng)網(wǎng)絡(luò)呈現(xiàn)出一種非線性的模式。

    輸出層這個(gè)就是最終得到的結(jié)果了,比如一個(gè)分類任務(wù),最終的輸出就是每個(gè)類別的概率值了

    我們可以看到對(duì)應(yīng)于多層的網(wǎng)絡(luò)也就是有多個(gè)隱層,相當(dāng)于咱們又加了一層非線性函數(shù)MAX(),這個(gè)理解起來(lái)很簡(jiǎn)單了吧,對(duì)于深層網(wǎng)絡(luò)來(lái)說,它具有更好的非線性也就是說網(wǎng)絡(luò)的層數(shù)越深就更能夠去擬合更復(fù)雜的數(shù)據(jù)。

    生物學(xué)上的結(jié)構(gòu)

    看過很多講解都提高了把神經(jīng)網(wǎng)絡(luò)和人類的腦結(jié)構(gòu)相對(duì)比,我覺得這有些增加了游戲難度,因?yàn)楹芏嗤瑢W(xué)本身對(duì)生物學(xué)結(jié)構(gòu)就不是很清楚,又搞了這多名詞出來(lái),理解起來(lái)好像更費(fèi)勁了,這里咱們就不說生物學(xué)結(jié)構(gòu)了,直接看右半部分,和之前的線性分類最大的區(qū)別就是我們多了一個(gè)activation function也就是咱們剛才所說的激活函數(shù),可以說正是激活函數(shù)的存在使得整個(gè)神經(jīng)網(wǎng)絡(luò)變得強(qiáng)大起來(lái)。

    神經(jīng)元

    那么神經(jīng)網(wǎng)絡(luò)能表達(dá)多復(fù)雜的數(shù)據(jù)信息是由什么決定的呢?這個(gè)例子給了咱們很好的解釋,神經(jīng)網(wǎng)絡(luò)是表達(dá)能力是由神經(jīng)元的個(gè)數(shù),也就是每一個(gè)隱層所函數(shù)神經(jīng)元的個(gè)數(shù)來(lái)決定的,神經(jīng)元越多,層數(shù)越深表達(dá)的能力也就越強(qiáng),理論上我們認(rèn)為神經(jīng)元越多越好!

    防止過擬合

    咱們剛才說了神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的表達(dá)能力,但是也很危險(xiǎn)的,就是說神經(jīng)網(wǎng)絡(luò)很容易發(fā)成過擬合現(xiàn)象,因?yàn)樵蹅冇写罅康纳窠?jīng)元也就是導(dǎo)致了我們需要的參數(shù)是極其多的,那么該怎么辦呢?最直接的方法就是加上正則化項(xiàng),它可以使得咱們的神經(jīng)網(wǎng)絡(luò)不至于過擬合很嚴(yán)重也是咱們訓(xùn)練神經(jīng)網(wǎng)絡(luò)必做的一項(xiàng),圖中顯示了正則化的作用!

    二、神經(jīng)網(wǎng)絡(luò)的工作原理

    “人腦是如何工作的?”

    “人類能否制作模擬人腦的人工神經(jīng)元?”

    多少年以來(lái),人們從醫(yī)學(xué)、生物學(xué)、生理學(xué)、哲學(xué)、信息學(xué)、計(jì)算機(jī)科學(xué)、認(rèn)知學(xué)、組織協(xié)同學(xué)等各個(gè)角度企圖認(rèn)識(shí)并解答上述問題。在尋找上述問題答案的研究過程中,逐漸形成了一個(gè)新興的多學(xué)科交叉技術(shù)領(lǐng)域,稱之為“神經(jīng)網(wǎng)絡(luò)”。神經(jīng)網(wǎng)絡(luò)的研究涉及眾多學(xué)科領(lǐng)域,這些領(lǐng)域互相結(jié)合、相互滲透并相互推動(dòng)。不同領(lǐng)域的科學(xué)家又從各自學(xué)科的興趣與特色出發(fā),提出不同的問題,從不同的角度進(jìn)行研究。

    人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進(jìn)行學(xué)習(xí),然后才能工作?,F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對(duì)于寫“A”、“B”兩個(gè)字母的識(shí)別為例進(jìn)行說明,規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時(shí),應(yīng)該輸出“1”,而當(dāng)輸入為“B”時(shí),輸出為“0”。

    所以網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是:如果網(wǎng)絡(luò)作出錯(cuò)誤的判決,則通過網(wǎng)絡(luò)的學(xué)習(xí),應(yīng)使得網(wǎng)絡(luò)減少下次犯同樣錯(cuò)誤的可能性。首先,給網(wǎng)絡(luò)的各連接權(quán)值賦予(0,1)區(qū)間內(nèi)的隨機(jī)值,將“A”所對(duì)應(yīng)的圖象模式輸入給網(wǎng)絡(luò),網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進(jìn)行非線性運(yùn)算,得到網(wǎng)絡(luò)的輸出。在此情況下,網(wǎng)絡(luò)輸出為“1”和“0”的概率各為50%,也就是說是完全隨機(jī)的。這時(shí)如果輸出為“1”(結(jié)果正確),則使連接權(quán)值增大,以便使網(wǎng)絡(luò)再次遇到“A”模式輸入時(shí),仍然能作出正確的判斷。

    普通計(jì)算機(jī)的功能取決于程序中給出的知識(shí)和能力。顯然,對(duì)于智能活動(dòng)要通過總結(jié)編制程序?qū)⑹掷щy。

    人工神經(jīng)網(wǎng)絡(luò)也具有初步的自適應(yīng)與自組織能力。在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值,以適應(yīng)周圍環(huán)境的要求。同一網(wǎng)絡(luò)因?qū)W習(xí)方式及內(nèi)容不同可具有不同的功能。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)具有學(xué)習(xí)能力的系統(tǒng),可以發(fā)展知識(shí),以致超過設(shè)計(jì)者原有的知識(shí)水平。通常,它的學(xué)習(xí)訓(xùn)練方式可分為兩種,一種是有監(jiān)督或稱有導(dǎo)師的學(xué)習(xí),這時(shí)利用給定的樣本標(biāo)準(zhǔn)進(jìn)行分類或模仿;另一種是無(wú)監(jiān)督學(xué)習(xí)或稱無(wú)為導(dǎo)師學(xué)習(xí),這時(shí),只規(guī)定學(xué)習(xí)方式或某些規(guī)則,則具體的學(xué)習(xí)內(nèi)容隨系統(tǒng)所處環(huán)境 (即輸入信號(hào)情況)而異,系統(tǒng)可以自動(dòng)發(fā)現(xiàn)環(huán)境特征和規(guī)律性,具有更近似人腦的功能。

    神經(jīng)網(wǎng)絡(luò)就像是一個(gè)愛學(xué)習(xí)的孩子,您教她的知識(shí)她是不會(huì)忘記而且會(huì)學(xué)以致用的。我們把學(xué)習(xí)集(Learning Set)中的每個(gè)輸入加到神經(jīng)網(wǎng)絡(luò)中,并告訴神經(jīng)網(wǎng)絡(luò)輸出應(yīng)該是什么分類。在全部學(xué)習(xí)集都運(yùn)行完成之后,神經(jīng)網(wǎng)絡(luò)就根據(jù)這些例子總結(jié)出她自己的想法,到底她是怎么歸納的就是一個(gè)黑盒了。之后我們就可以把測(cè)試集(Testing Set)中的測(cè)試?yán)佑蒙窠?jīng)網(wǎng)絡(luò)來(lái)分別作測(cè)試,如果測(cè)試通過(比如80%或90%的正確率),那么神經(jīng)網(wǎng)絡(luò)就構(gòu)建成功了。我們之后就可以用這個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)判斷事務(wù)的分類了。

    神經(jīng)網(wǎng)絡(luò)是通過對(duì)人腦的基本單元——神經(jīng)元的建模和聯(lián)接,探索模擬人腦神經(jīng)系統(tǒng)功能的模型,并研制一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識(shí)別等智能信息處理功能的人工系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特性是它能夠從環(huán)境中學(xué)習(xí),并把學(xué)習(xí)的結(jié)果分布存儲(chǔ)于網(wǎng)絡(luò)的突觸連接中。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是一個(gè)過程,在其所處環(huán)境的激勵(lì)下,相繼給網(wǎng)絡(luò)輸入一些樣本模式,并按照一定的規(guī)則(學(xué)習(xí)算法)調(diào)整網(wǎng)絡(luò)各層的權(quán)值矩陣,待網(wǎng)絡(luò)各層權(quán)值都收斂到一定值,學(xué)習(xí)過程結(jié)束。然后我們就可以用生成的神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)真實(shí)數(shù)據(jù)做分類。

    神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn)是由什么決定的(神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和功能)

    三、神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn),

    優(yōu)點(diǎn):

    (1)具有自學(xué)習(xí)功能。例如實(shí)現(xiàn)圖像識(shí)別時(shí),只在先把許多不同的圖像樣板和對(duì)應(yīng)的應(yīng)識(shí)別的結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)就會(huì)通過自學(xué)習(xí)功能,慢慢學(xué)會(huì)識(shí)別類似的圖像。

    自學(xué)習(xí)功能對(duì)于預(yù)測(cè)有特別重要的意義。預(yù)期未來(lái)的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將為人類提供經(jīng)濟(jì)預(yù)測(cè)、市場(chǎng)預(yù)測(cè)、效益預(yù)測(cè),其應(yīng)用前途是很遠(yuǎn)大的。

    (2)具有聯(lián)想存儲(chǔ)功能。用人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)就可以實(shí)現(xiàn)這種聯(lián)想。

    (3)具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問題的優(yōu)化解,往往需要很大的計(jì)算量,利用一個(gè)針對(duì)某問題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)絡(luò),發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力,可能很快找到優(yōu)化解。

    缺點(diǎn):

    (1)最嚴(yán)重的問題是沒能力來(lái)解釋自己的推理過程和推理依據(jù)。

    (2)不能向用戶提出必要的詢問,而且當(dāng)數(shù)據(jù)不充分的時(shí)候,神經(jīng)網(wǎng)絡(luò)就無(wú)法進(jìn)行工作。

    (3)把一切問題的特征都變?yōu)閿?shù)字,把一切推理都變?yōu)閿?shù)值計(jì)算,其結(jié)果勢(shì)必是丟失信息。

    (4)理論和學(xué)習(xí)算法還有待于進(jìn)一步完善和提高。

    神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn)是由什么決定的(神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和功能)

    擴(kuò)展資料:

    神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢(shì)

    人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力,克服了傳統(tǒng)人工智能方法對(duì)于直覺,如模式、語(yǔ)音識(shí)別、非結(jié)構(gòu)化信息處理方面的缺陷,使之在神經(jīng)專家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化、預(yù)測(cè)等領(lǐng)域得到成功應(yīng)用。

    人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合,將推動(dòng)人工智能和信息處理技術(shù)不斷發(fā)展。近年來(lái),人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展,與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合,形成計(jì)算智能,成為人工智能的一個(gè)重要方向,將在實(shí)際應(yīng)用中得到發(fā)展。

    將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究,為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。神經(jīng)計(jì)算機(jī)的研究發(fā)展很快,已有產(chǎn)品進(jìn)入市場(chǎng)。光電結(jié)合的神經(jīng)計(jì)算機(jī)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。

    神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域已得到了很好的應(yīng)用,但其需要研究的方面還很多。其中,具有分布存儲(chǔ)、并行處理、自學(xué)習(xí)、自組織以及非線性映射等優(yōu)點(diǎn)的神經(jīng)網(wǎng)絡(luò)與其他技術(shù)的結(jié)合以及由此而來(lái)的混合方法和混合系統(tǒng),已經(jīng)成為一大研究熱點(diǎn)。

    由于其他方法也有它們各自的優(yōu)點(diǎn),所以將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合,取長(zhǎng)補(bǔ)短,繼而可以獲得更好的應(yīng)用效果。目前這方面工作有神經(jīng)網(wǎng)絡(luò)與模糊邏輯、專家系統(tǒng)、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據(jù)理論和灰色系統(tǒng)等的融合。

    參考資料:百度百科-人工神經(jīng)網(wǎng)絡(luò)

    四、神經(jīng)網(wǎng)絡(luò)的功能!

    完成某種信號(hào)處理或模式識(shí)別的功能、構(gòu)作專家系統(tǒng)、制成機(jī)器人、復(fù)雜系統(tǒng)控制等等。

    在機(jī)器學(xué)習(xí)和相關(guān)領(lǐng)域,人工神經(jīng)網(wǎng)絡(luò)(人工神經(jīng)網(wǎng)絡(luò))的計(jì)算模型靈感來(lái)自動(dòng)物的中樞神經(jīng)系統(tǒng)(尤其是腦),并且被用于估計(jì)或可以依賴于大量的輸入和一般的未知近似函數(shù)。人工神經(jīng)網(wǎng)絡(luò)通常呈現(xiàn)為相互連接的“神經(jīng)元”,它可以從輸入的計(jì)算值,并且能夠機(jī)器學(xué)習(xí)以及模式識(shí)別由于它們的自適應(yīng)性質(zhì)的系統(tǒng)。

    人工神經(jīng)網(wǎng)絡(luò)的最大優(yōu)勢(shì)是他們能夠被用作一個(gè)任意函數(shù)逼近的機(jī)制,那是從觀測(cè)到的數(shù)據(jù)“學(xué)習(xí)”。然而,使用起來(lái)也不是那么簡(jiǎn)單的,一個(gè)比較好理解的基本理論是必不可少的。

    以上就是關(guān)于神經(jīng)網(wǎng)絡(luò)的功能特點(diǎn)是由什么決定的相關(guān)問題的回答。希望能幫到你,如有更多相關(guān)問題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。


    推薦閱讀:

    人工神經(jīng)網(wǎng)絡(luò)基本原理(人工神經(jīng)網(wǎng)絡(luò)基本原理是什么)

    lstm神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)(lm bp神經(jīng)網(wǎng)絡(luò))

    神經(jīng)網(wǎng)絡(luò)的方法原理(神經(jīng)網(wǎng)絡(luò)的原理是什么)

    機(jī)械制造及自動(dòng)化介紹(機(jī)械制造及自動(dòng)化介紹表格)

    品牌美術(shù)策劃書怎么寫(品牌美術(shù)策劃書怎么寫范文)