深度学习 – 人工神经网络

本章我们将从生物神经元开始学习人工神经网络。

生物神经元

哺乳动物的大脑有数十亿个神经元。神经元是人脑中相互连接的神经细胞。神经元参与处理和传递化学信号和电信号,它们接受信号输入,在细胞核中处理信号,如果信号强度大于某个阈值,就会把信号输出。

生物神经元

人类的大脑可以学习识别物体。例如,婴儿多次看到椅子,并听父母说这是椅子,随着时间推移,他们将学会识别椅子。

以下是生物神经元的重要组成部分:

  • 树突 – 从其他神经元接收信息的分支
  • 细胞核 – 处理从树突接收到的信息
  • 轴突 – 一种被神经元用来传递信息的生物电缆
  • 突触 – 轴突和其他神经元树突之间的连接

人类大脑与人工神经网络

深度学习中的计算模型受到人类大脑的启发,被称为人工神经网络(ANN)。

人工神经网络

人工神经网络,模仿哺乳动物大脑皮层的神经系统,但规模要小得多。它由许多简单的处理单元(神经元)互联组成,这些处理单元(神经元)的作用类似于生物神经元,接受信息输入,处理后向下一层输出信息。

人工神经网络结构

人工神经网络由多层人工神经元组成。层与层之间的神经元有连接,而层内之间的神经元没有连接。最左边的层叫做输入层,这层负责接收输入数据;最右边的层叫输出层,我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。

人工神经网络2

人工神经元

人工神经网络可以包含多层,每层可以包含多个神经元。

人工神经元

神经元是一种计算单元,如上图所示,神经元可以接受多条输入信息,每条输入信息都有权重。

神经元中,输入信息被加权求和,再经过一个激活函数处理,然后生成输出信息。

假设正确的输出是预定义的,每次通过网络传递数据时,都会将最终结果与正确的结果进行比较,并根据差值对神经网络中权重值进行调整,直到网络可以生成正确的最终输出。

所以,所谓神经网络的学习过程,实际上就是确定神经元之间输入权重的过程。

神经网络的类型

常用的神经网络有:

  • 人工神经网络(ANN)
  • 卷积神经网络(CNN)
  • 递归神经网络(RNN)
  • 深度神经网络(DNN)
  • 深度信念网络(DBN)

不同神经网络的使用场景如下:

神经网络 使用场景

人工神经网络(ANN)

计算机神经科学

卷积神经网络(CNN)

图像处理

递归神经网络(RNN)

语音识别

深度神经网络(DNN)

声学模型

深度信念网络(DBN)

新药研发



浙ICP备17015664号 浙公网安备 33011002012336号 联系我们 网站地图  
@2019 qikegu.com 版权所有,禁止转载