正文

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

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

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

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

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)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、深度學(xué)習(xí)入門課程筆記神經(jīng)網(wǎng)絡(luò)
2、神經(jīng)網(wǎng)絡(luò)的工作原理
3、神經(jīng)網(wǎng)絡(luò)優(yōu)缺點，
4、神經(jīng)網(wǎng)絡(luò)的功能！

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

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)：

首先咱們先來回顧一下之前課程所講前向傳播和反向傳播知識點，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算出權(quán)重矩陣W中所有參數(shù)對于最終的LOSS值影響大小，更新參數(shù)就是通過不同權(quán)重參數(shù)對終LOSS值的影響來調(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，一個最明顯的區(qū)別就是神經(jīng)網(wǎng)絡(luò)函數(shù)多了一個MAX（）計算也就是說我們咱們現(xiàn)在的函數(shù)公式變成了一個非線性的操作，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)的線性分類更強大，因為非線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)

接下來咱們就來看一下神經(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

隱層這個大家理解起來可能有些費勁，咱們可以把隱層當(dāng)成是中間層也就是在這里對輸入數(shù)據(jù)進行了非線性的變換

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

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

我們可以看到對應(yīng)于多層的網(wǎng)絡(luò)也就是有多個隱層，相當(dāng)于咱們又加了一層非線性函數(shù)MAX（），這個理解起來很簡單了吧，對于深層網(wǎng)絡(luò)來說，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)相對比，我覺得這有些增加了游戲難度，因為很多同學(xué)本身對生物學(xué)結(jié)構(gòu)就不是很清楚，又搞了這多名詞出來，理解起來好像更費勁了，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)的存在使得整個神經(jīng)網(wǎng)絡(luò)變得強大起來。

神經(jīng)元

那么神經(jīng)網(wǎng)絡(luò)能表達多復(fù)雜的數(shù)據(jù)信息是由什么決定的呢？這個例子給了咱們很好的解釋，神經(jīng)網(wǎng)絡(luò)是表達能力是由神經(jīng)元的個數(shù)，也就是每一個隱層所函數(shù)神經(jīng)元的個數(shù)來決定的，神經(jīng)元越多，層數(shù)越深表達的能力也就越強，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)具有很強的表達能力，但是也很危險的，就是說神經(jīng)網(wǎng)絡(luò)很容易發(fā)成過擬合現(xiàn)象，因為咱們有大量的神經(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，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，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，人們從醫(yī)學(xué)、生物學(xué)、生理學(xué)、哲學(xué)、信息學(xué)、計算機科學(xué)、認(rèn)知學(xué)、組織協(xié)同學(xué)等各個角度企圖認(rèn)識并解答上述問題。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。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)則進行學(xué)習(xí)，然后才能工作?，F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對于寫“A”、“B”兩個字母的識別為例進行說明，規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時，應(yīng)該輸出“1”，而當(dāng)輸入為“B”時，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)的隨機值，將“A”所對應(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、再進行非線性運算，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的。這時如果輸出為“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，仍然能作出正確的判斷。

普通計算機的功能取決于程序中給出的知識和能力。顯然，對于智能活動要通過總結(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)是一個具有學(xué)習(xí)能力的系統(tǒng)，可以發(fā)展知識，以致超過設(shè)計者原有的知識水平。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)，這時利用給定的樣本標(biāo)準(zhǔn)進行分類或模仿；另一種是無監(jiān)督學(xué)習(xí)或稱無為導(dǎo)師學(xué)習(xí)，這時，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（即輸入信號情況）而異，系統(tǒng)可以自動發(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)就像是一個愛學(xué)習(xí)的孩子，您教她的知識她是不會忘記而且會學(xué)以致用的。我們把學(xué)習(xí)集（Learning Set）中的每個輸入加到神經(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黑盒了。之后我們就可以把測試集（Testing Set）中的測試?yán)佑蒙窠?jīng)網(wǎng)絡(luò)來分別作測試，如果測試通過（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神經(jīng)網(wǎng)絡(luò)來判斷事務(wù)的分類了。

神經(jīng)網(wǎng)絡(luò)是通過對人腦的基本單元——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)是一個過程，在其所處環(huán)境的激勵下，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)來對真實數(shù)據(jù)做分類。

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

三、神經(jīng)網(wǎng)絡(luò)優(yōu)缺點，

優(yōu)點：

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

自學(xué)習(xí)功能對于預(yù)測有特別重要的意義。預(yù)期未來的人工神經(jīng)網(wǎng)絡(luò)計算機將為人類提供經(jīng)濟預(yù)測、市場預(yù)測、效益預(yù)測，其應(yīng)用前途是很遠(yuǎn)大的。

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

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

缺點：

（1）最嚴(yán)重的問題是沒能力來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)不充分的時候，神經(jīng)網(wǎng)絡(luò)就無法進行工作。

（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)值計算，其結(jié)果勢必是丟失信息。

（4）理論和學(xué)習(xí)算法還有待于進一步完善和提高。

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

擴展資料：

神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢

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)人工智能方法對于直覺，如模式、語音識別、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)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(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，將推動人工智能和信息處理技術(shù)不斷發(fā)展。近年來，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、進化機制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，將在實際應(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)計算機的研究發(fā)展很快，已有產(chǎn)品進入市場。光電結(jié)合的神經(jīng)計算機為人工神經(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、并行處理、自學(xué)習(xí)、自組織以及非線性映射等優(yōu)點的神經(jīng)網(wǎng)絡(luò)與其他技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，已經(jīng)成為一大研究熱點。

由于其他方法也有它們各自的優(yōu)點，所以將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，取長補短，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！

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

在機器學(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)）的計算模型靈感來自動物的中樞神經(jīng)系統(tǒng)（尤其是腦），并且被用于估計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”，它可以從輸入的計算值，并且能夠機器學(xué)習(xí)以及模式識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)勢是他們能夠被用作一個任意函數(shù)逼近的機制，那是從觀測到的數(shù)據(jù)“學(xué)習(xí)”。然而，使用起來也不是那么簡單的，一個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)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。