0 前言
神經(jīng)網(wǎng)絡(luò)是一種人工智能方法俭令，用于教計(jì)算機(jī)以受人腦啟發(fā)的方式處理數(shù)據(jù)后德。這是一種機(jī)器學(xué)習(xí)過(guò)程，稱(chēng)為深度學(xué)習(xí)抄腔，它使用類(lèi)似于人腦的分層結(jié)構(gòu)中的互連節(jié)點(diǎn)或神經(jīng)元瓢湃。它可以創(chuàng)建自適應(yīng)系統(tǒng)，計(jì)算機(jī)使用該系統(tǒng)來(lái)從錯(cuò)誤中進(jìn)行學(xué)習(xí)并不斷改進(jìn)赫蛇。因此绵患，人工神經(jīng)網(wǎng)絡(luò)可以嘗試解決復(fù)雜的問(wèn)題，例如更準(zhǔn)確地總結(jié)文檔或人臉識(shí)別悟耘。
1 為啥重要落蝙？
神經(jīng)網(wǎng)絡(luò)可在有限的人類(lèi)協(xié)助下，幫助計(jì)算機(jī)制定明智的決策暂幼。這是因?yàn)樗鼈兛梢詫W(xué)習(xí)非線(xiàn)性和復(fù)雜的輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的關(guān)系筏勒，并為其建模。
如它們可執(zhí)行以下任務(wù)旺嬉。
1.1 進(jìn)行歸納和推理
神經(jīng)網(wǎng)絡(luò)無(wú)需顯式訓(xùn)練即可理解非結(jié)構(gòu)化數(shù)據(jù)以及進(jìn)行一般性觀察管行。例如，它們可以識(shí)別具有相似含義的兩種不同輸入語(yǔ)句：
- 您能否告訴我如何付款邪媳？
- 我如何轉(zhuǎn)賬捐顷？
神經(jīng)網(wǎng)絡(luò)會(huì)知道這兩個(gè)句子的含義相同荡陷。或者它能廣泛地識(shí)別 Baxter Road 是地名迅涮，而 Baxter Smith 是人名亲善。
2 神經(jīng)網(wǎng)絡(luò)的用途
很多使用案例：
- 通過(guò)醫(yī)療影像分類(lèi)進(jìn)行醫(yī)療診斷
- 通過(guò)社交網(wǎng)絡(luò)篩選和行為數(shù)據(jù)分析進(jìn)行有針對(duì)性的營(yíng)銷(xiāo)
- 通過(guò)處理金融工具的歷史數(shù)據(jù)進(jìn)行金融預(yù)測(cè)
- 電力負(fù)載和能源需求預(yù)測(cè)
- 流程和質(zhì)量控制
- 化合物鑒定
提供神經(jīng)網(wǎng)絡(luò)的四種重要應(yīng)用。
2.1 計(jì)算機(jī)視覺(jué)
計(jì)算機(jī)視覺(jué)是指計(jì)算機(jī)從圖像和視頻中提取信息及見(jiàn)解的能力逗柴。借助神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)可以區(qū)分和識(shí)別與人類(lèi)相似的圖像顿肺。計(jì)算機(jī)視覺(jué)具有多種應(yīng)用戏溺，如下所示：
- 自動(dòng)駕駛汽車(chē)中的視覺(jué)識(shí)別，以使汽車(chē)能夠識(shí)別道路標(biāo)志和其他道路使用者
- 內(nèi)容審核屠尊，用于從圖像和視頻歸檔中自動(dòng)刪除不安全或不適當(dāng)?shù)膬?nèi)容
- 面部識(shí)別旷祸，用于識(shí)別面部和多項(xiàng)屬性，如睜開(kāi)的眼睛讼昆、眼鏡以及面部毛發(fā)
- 圖像標(biāo)記托享，用于識(shí)別品牌徽標(biāo)、服裝浸赫、安全裝備和其他圖像細(xì)節(jié)
2.2 語(yǔ)音識(shí)別
神經(jīng)網(wǎng)絡(luò)可以分析人類(lèi)語(yǔ)音闰围，盡管說(shuō)話(huà)模式、音調(diào)既峡、語(yǔ)氣羡榴、語(yǔ)言和口音不盡相同。虛擬助手（如 Amazon Alexa）和自動(dòng)轉(zhuǎn)錄軟件使用語(yǔ)音識(shí)別執(zhí)行諸如以下任務(wù)：
- 幫助呼叫中心座席并對(duì)呼叫進(jìn)行自動(dòng)分類(lèi)
- 將臨床對(duì)話(huà)實(shí)時(shí)轉(zhuǎn)換為文檔
- 為視頻和會(huì)議記錄添加準(zhǔn)確的字幕以實(shí)現(xiàn)更廣泛的內(nèi)容覆蓋范圍
2.3 自然語(yǔ)言處理
自然語(yǔ)言處理 (NLP) 是指處理自然运敢、人類(lèi)創(chuàng)建的文本的能力校仑。神經(jīng)網(wǎng)絡(luò)可以幫助計(jì)算機(jī)從文本數(shù)據(jù)和文檔中收集見(jiàn)解和含義。NLP 具有多種使用案例传惠，包括在以下功能中：
- 自動(dòng)虛擬座席和聊天機(jī)器人
- 寫(xiě)入數(shù)據(jù)的自動(dòng)組織和分類(lèi)
- 長(zhǎng)格式文檔（如電子郵件和表格）的業(yè)務(wù)情報(bào)分析
- 用于表示情緒（如社交媒體上的正面和負(fù)面評(píng)論）的關(guān)鍵短語(yǔ)索引
- 給定主題的文檔摘要和文章生成
2.4 推薦引擎
神經(jīng)網(wǎng)絡(luò)可以跟蹤用戶(hù)活動(dòng)迄沫，以提供個(gè)性化推薦。它們還可以分析所有用戶(hù)行為卦方，然后發(fā)現(xiàn)能夠吸引特定用戶(hù)的新產(chǎn)品或服務(wù)羊瘩。例如，Curalate 是一家總部位于菲律賓的初創(chuàng)公司愿汰，它可幫助各個(gè)品牌將社交媒體文章轉(zhuǎn)化為銷(xiāo)售額困后。眾多品牌使用 Curalate 的智能產(chǎn)品標(biāo)簽 (IPT) 服務(wù)，自動(dòng)收集和管理用戶(hù)生成的社交內(nèi)容衬廷。IPT 使用神經(jīng)網(wǎng)絡(luò)自動(dòng)查找和推薦與用戶(hù)的社交媒體活動(dòng)相關(guān)的產(chǎn)品摇予。消費(fèi)者無(wú)需通過(guò)社交媒體圖像搜尋整個(gè)在線(xiàn)目錄來(lái)查找特定產(chǎn)品。相反吗跋，他們可以使用 Curalate 的自動(dòng)產(chǎn)品標(biāo)記輕松購(gòu)買(mǎi)產(chǎn)品侧戴。
3 工作原理
神經(jīng)網(wǎng)絡(luò)架構(gòu)的靈感源自人腦宁昭。人腦細(xì)胞稱(chēng)為神經(jīng)元，構(gòu)成了一個(gè)復(fù)雜酗宋、高度互聯(lián)的網(wǎng)絡(luò)积仗，并能互相發(fā)送電信號(hào)，以幫助人類(lèi)處理信息蜕猫。同樣寂曹，人工神經(jīng)網(wǎng)絡(luò)由人工神經(jīng)元組成，它們共同合作以解決問(wèn)題回右。人工神經(jīng)元是軟件模塊隆圆，稱(chēng)為節(jié)點(diǎn)；人工神經(jīng)網(wǎng)絡(luò)是軟件程序或算法翔烁，在其核心渺氧，使用計(jì)算系統(tǒng)求解數(shù)學(xué)計(jì)算。
3.1 簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)架構(gòu)
基本神經(jīng)網(wǎng)絡(luò)的相互連接的人工神經(jīng)元分為三層：
① 輸入層
來(lái)自外部世界的信息通過(guò)輸入層進(jìn)入人工神經(jīng)網(wǎng)絡(luò)蹬屹。輸入節(jié)點(diǎn)對(duì)數(shù)據(jù)進(jìn)行處理侣背、分析或分類(lèi)，然后將其繼續(xù)傳遞到下一層慨默。
② 隱藏層
隱藏層從輸入層或其他隱藏層獲取其輸入贩耐。人工神經(jīng)網(wǎng)絡(luò)可以具有大量的隱藏層。每個(gè)隱藏層都會(huì)對(duì)來(lái)自上一層的輸出進(jìn)行分析和進(jìn)一步處理业筏，然后將其繼續(xù)傳遞到下一層憔杨。
③ 輸出層
輸出層提供人工神經(jīng)網(wǎng)絡(luò)對(duì)所有數(shù)據(jù)進(jìn)行處理的最終結(jié)果。它可以包含單個(gè)或多個(gè)節(jié)點(diǎn)蒜胖。
如要解決一個(gè)二元（是/否）分類(lèi)問(wèn)題消别，則輸出層包含一個(gè)輸出節(jié)點(diǎn)，它將提供 1 或 0 的結(jié)果台谢。但如要解決一個(gè)多類(lèi)分類(lèi)問(wèn)題寻狂，則輸出層可能由一個(gè)以上輸出節(jié)點(diǎn)組成。
3.2 深度神經(jīng)網(wǎng)絡(luò)架構(gòu)
深度神經(jīng)網(wǎng)絡(luò)又名深度學(xué)習(xí)網(wǎng)絡(luò)朋沮，擁有多個(gè)隱藏層蛇券，包含數(shù)百萬(wàn)個(gè)鏈接在一起的人工神經(jīng)元。名為權(quán)重的數(shù)字代表節(jié)點(diǎn)之間的連接樊拓。如果節(jié)點(diǎn)之間相互激勵(lì)纠亚，則該權(quán)重為正值，如果節(jié)點(diǎn)之間相互壓制筋夏，則該權(quán)重為負(fù)值蒂胞。節(jié)點(diǎn)的權(quán)重值越高，對(duì)其他節(jié)點(diǎn)的影響力就越大条篷。
從理論上講骗随，深度神經(jīng)網(wǎng)絡(luò)可將任何輸入類(lèi)型映射到任何輸出類(lèi)型蛤织。但與其他機(jī)器學(xué)習(xí)方法相比，它們也需要更多大量的訓(xùn)練鸿染。它們需要數(shù)百萬(wàn)個(gè)訓(xùn)練數(shù)據(jù)示例指蚜，而不像較簡(jiǎn)單的網(wǎng)絡(luò)那樣，可能只需數(shù)百或數(shù)千個(gè)訓(xùn)練數(shù)據(jù)示例涨椒。
4 類(lèi)型
按數(shù)據(jù)從輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)的流動(dòng)方式摊鸡，對(duì)人工神經(jīng)網(wǎng)絡(luò)分類(lèi)：
4.1 前饋神經(jīng)網(wǎng)絡(luò)
前饋神經(jīng)網(wǎng)絡(luò)以從輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)的單向方式處理數(shù)據(jù)。一層中的每個(gè)節(jié)點(diǎn)均與下一層中的每個(gè)節(jié)點(diǎn)連接蚕冬。前饋網(wǎng)絡(luò)使用反饋流程隨著時(shí)間推移改進(jìn)預(yù)測(cè)柱宦。
4.2 反向傳播算法
人工神經(jīng)網(wǎng)絡(luò)使用校正反饋循環(huán)不斷學(xué)習(xí)，以改進(jìn)其預(yù)測(cè)分析播瞳。簡(jiǎn)而言之，您可以認(rèn)為數(shù)據(jù)通過(guò)神經(jīng)網(wǎng)絡(luò)中的很多不同路徑從輸入節(jié)點(diǎn)流動(dòng)到輸出節(jié)點(diǎn)免糕。只有一條路徑是正確的赢乓，可將輸入節(jié)點(diǎn)映射到正確的輸出節(jié)點(diǎn)。為了找到這條路徑石窑，神經(jīng)網(wǎng)絡(luò)將使用反饋循環(huán)牌芋，其工作原理如下：
- 每個(gè)節(jié)點(diǎn)都會(huì)猜測(cè)該路徑中的下一個(gè)節(jié)點(diǎn)。
- 它將檢查猜測(cè)是否正確松逊。節(jié)點(diǎn)將為引發(fā)更正確猜測(cè)的路徑分配更高的權(quán)重值躺屁，而為引發(fā)不正確猜測(cè)的節(jié)點(diǎn)路徑分配更低的權(quán)重值。
- 對(duì)于下一個(gè)數(shù)據(jù)點(diǎn)经宏，節(jié)點(diǎn)將使用更高權(quán)重的路徑進(jìn)行新的預(yù)測(cè)源请，然后重復(fù)第 1 步篷角。
4.3 卷積神經(jīng)網(wǎng)絡(luò)
卷積神經(jīng)網(wǎng)絡(luò)中的隱藏層執(zhí)行特定的數(shù)學(xué)函數(shù)（如匯總或篩選），稱(chēng)為卷積。它們對(duì)于圖像分類(lèi)非常有用货徙，因?yàn)榭蓮膱D像中提取對(duì)圖像識(shí)別和分類(lèi)有用的相關(guān)特征。這種新形式更易于處理士飒，而不會(huì)丟失對(duì)做出良好預(yù)測(cè)至關(guān)重要的特征刊橘。每個(gè)隱藏層提取和處理不同的圖像特征，如邊緣主之、顏色和深度择吊。
5 咋訓(xùn)練？
神經(jīng)網(wǎng)絡(luò)訓(xùn)練是教授神經(jīng)網(wǎng)絡(luò)執(zhí)行任務(wù)的過(guò)程槽奕。神經(jīng)網(wǎng)絡(luò)通過(guò)首先處理幾大組標(biāo)記或未標(biāo)記數(shù)據(jù)來(lái)進(jìn)行學(xué)習(xí)几睛。通過(guò)使用這些示例，可更準(zhǔn)確地處理未知輸入史翘。
5.1 有監(jiān)督學(xué)習(xí)
數(shù)據(jù)科學(xué)家為人工神經(jīng)網(wǎng)絡(luò)提供標(biāo)記數(shù)據(jù)集枉长，這些數(shù)據(jù)集提前提供正確答案冀续。如面部識(shí)別領(lǐng)域內(nèi)的某項(xiàng)深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練首先處理數(shù)十萬(wàn)張人臉圖像，使用各種與種族必峰、國(guó)家/地區(qū)或情緒相關(guān)的術(shù)語(yǔ)描述每幅圖像洪唐。
該神經(jīng)網(wǎng)絡(luò)將通過(guò)這些提前提供正確答案的數(shù)據(jù)集慢慢構(gòu)建知識(shí)。在該網(wǎng)絡(luò)完成訓(xùn)練后吼蚁，即可開(kāi)始對(duì)以前未處理過(guò)的新人臉圖像進(jìn)行關(guān)于種族或情緒的猜測(cè)凭需。
6 啥是神經(jīng)網(wǎng)絡(luò)環(huán)境下的深度學(xué)習(xí)？
人工智能這一計(jì)算機(jī)科學(xué)領(lǐng)域肝匆，研究的是如何使機(jī)器具備執(zhí)行需要人類(lèi)智能的任務(wù)的能力粒蜈。機(jī)器學(xué)習(xí)是一種人工智能技術(shù)，它將提供訪(fǎng)問(wèn)權(quán)限旗国，使計(jì)算機(jī)能夠訪(fǎng)問(wèn)非常大的數(shù)據(jù)集枯怖，并教授計(jì)算機(jī)如何通過(guò)這些數(shù)據(jù)進(jìn)行學(xué)習(xí)。機(jī)器學(xué)習(xí)將尋找現(xiàn)有數(shù)據(jù)中的模式能曾，然后將這些模式應(yīng)用于新數(shù)據(jù)度硝，以制定明智的決策。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集寿冕，它使用深度學(xué)習(xí)網(wǎng)絡(luò)來(lái)處理數(shù)據(jù)蕊程。
6.1 機(jī)器學(xué)習(xí) V.S 深度學(xué)習(xí)
傳統(tǒng)機(jī)器學(xué)習(xí)需人類(lèi)為機(jī)器學(xué)習(xí)軟件提供輸入，才能充分發(fā)揮作用驼唱。人工確定此類(lèi)軟件必須分析的相關(guān)特征的集合藻茂。這會(huì)限制此類(lèi)軟件的能力，使創(chuàng)造和管理過(guò)程繁瑣玫恳。
深度學(xué)習(xí)中辨赐，數(shù)據(jù)科學(xué)家只向軟件提供原始數(shù)據(jù)。深度學(xué)習(xí)網(wǎng)絡(luò)自行推導(dǎo)特征京办，并更獨(dú)立學(xué)習(xí)肖油。它可分析非結(jié)構(gòu)化數(shù)據(jù)集（如文本文檔），確定優(yōu)先考慮哪些數(shù)據(jù)屬性臂港，并能解決更復(fù)雜問(wèn)題森枪。
如正在訓(xùn)練某一機(jī)器學(xué)習(xí)軟件正確識(shí)別寵物的圖像的步驟：
- 手動(dòng)查找和標(biāo)記數(shù)千張寵物圖像，如貓审孽、狗县袱、馬、倉(cāng)鼠佑力、鸚鵡等
- 告訴機(jī)器學(xué)習(xí)軟件需尋找哪些特征式散，使其能用排除法識(shí)別圖像。如它可能會(huì)計(jì)算腿的數(shù)量打颤，然后檢查眼睛形狀暴拄、耳朵形狀漓滔、尾巴、皮毛等
- 手動(dòng)評(píng)估和更改標(biāo)記的數(shù)據(jù)集乖篷，以提高軟件的準(zhǔn)確性响驴。例如，如果您的訓(xùn)練集包含過(guò)多黑貓圖片撕蔼，則軟件能夠正確識(shí)別黑貓豁鲤，而不能正確識(shí)別白貓。
- 但在深度學(xué)習(xí)中鲸沮，神經(jīng)網(wǎng)絡(luò)將處理所有圖像琳骡，并自動(dòng)判斷他們需要首先分析腿的數(shù)量和面部形狀，然后查看尾巴讼溺，最后正確識(shí)別圖像中的動(dòng)物
本文已收錄在Github楣号，關(guān)注我，緊跟本系列專(zhuān)欄文章怒坯，咱們下篇再續(xù)竖席！
- ?? 魔都架構(gòu)師 | 全網(wǎng)30W+技術(shù)追隨者
- ?? 大廠(chǎng)分布式系統(tǒng)/數(shù)據(jù)中臺(tái)實(shí)戰(zhàn)專(zhuān)家
- ?? 主導(dǎo)交易系統(tǒng)億級(jí)流量調(diào)優(yōu) & 車(chē)聯(lián)網(wǎng)平臺(tái)架構(gòu)
- ?? AIGC應(yīng)用開(kāi)發(fā)先行者 | 區(qū)塊鏈落地實(shí)踐者
- ?? 以技術(shù)驅(qū)動(dòng)創(chuàng)新，我們的征途是改變世界敬肚！
- ?? 實(shí)戰(zhàn)干貨：編程嚴(yán)選網(wǎng)
本文由博客一文多發(fā)平臺(tái) OpenWrite 發(fā)布！
