人工神经网络教程

人工神经网络教程提供了ANNs的基本和高级概念。我们的人工神经网络教程是为初学者和专业人士开发的。

“人工神经网络”一词指的是受大脑启发的、人工智能的一个生物学子领域。人工神经网络通常是一个基于生物神经网络的计算网络，它构建了人脑的结构。与人脑中神经元相互连接类似，人工神经网络也有神经元在网络的各个层中相互连接。这些神经元被称为节点。

人工神经网络教程涵盖了与人工神经网络相关的所有方面。在本教程中，我们将讨论ANNs、自适应共振理论、Kohonen自组织映射、构建块、无监督学习、遗传算法等。

什么是人工神经网络？

“人工神经网络”一词源于形成人脑结构的生物神经网络。与人脑中神经元相互连接类似，人工神经网络也有神经元在网络的各个层中相互连接。这些神经元被称为节点。

上图说明了生物神经网络的典型图表。

典型的人工神经网络看起来像上图所示。

生物神经网络中的树突代表人工神经网络中的输入，细胞核代表节点，突触代表权重，轴突代表输出。

生物神经网络与人工神经网络的关系

人工神经网络是人工智能领域的一个分支，它试图模仿构成人脑的神经元网络，以便计算机能够像人类一样理解事物并做出决策。人工神经网络通过编程计算机使其像相互连接的脑细胞一样运作来设计。

人脑中大约有1万亿个神经元。每个神经元之间有1,000到100,000个关联点。在人脑中，数据以分布式方式存储，当需要时，我们可以并行地从记忆中提取不止一条数据。我们可以说人脑是由令人难以置信的并行处理器组成的。

我们可以通过一个例子来理解人工神经网络，考虑一个数字逻辑门的例子，它接受输入并给出输出。“或”门，它接受两个输入。如果其中一个或两个输入都为“开”，那么我们得到“开”的输出。如果两个输入都为“关”，那么我们得到“关”的输出。这里输出取决于输入。我们的大脑不执行相同的任务。由于我们大脑中的神经元正在“学习”，输入和输出之间的关系不断变化。

人工神经网络的架构

要理解人工神经网络的架构概念，我们必须了解神经网络由什么组成。为了定义一个神经网络，它由大量的人工神经元组成，这些神经元被称为单元，按层序列排列。让我们看看人工神经网络中可用的各种类型的层。

人工神经网络主要由三层组成

输入层

顾名思义，它接受程序员提供的几种不同格式的输入。

隐藏层

隐藏层位于输入层和输出层之间。它执行所有计算以找到隐藏的特征和模式。

输出层

输入通过隐藏层进行一系列转换，最终产生通过该层传达的输出。

人工神经网络接受输入并计算输入的加权和，并包含一个偏置。此计算以传递函数的形式表示。

它确定加权总和作为激活函数的输入以产生输出。激活函数选择节点是否应该激活。只有激活的节点才能到达输出层。有不同的激活函数可供选择，可根据我们正在执行的任务类型应用。

人工神经网络（ANN）的优点

并行处理能力

人工神经网络具有可以同时执行多项任务的数值。

在整个网络上存储数据

传统编程中使用的数据存储在整个网络上，而不是数据库中。一个地方的几段数据消失不会阻止网络工作。

处理不完整知识的能力

ANN训练后，即使数据不完整，信息也可能产生输出。这里的性能损失取决于缺失数据的重要性。

具有记忆分布

为了使ANN能够适应，重要的是确定示例并根据期望的输出通过向网络演示这些示例来鼓励网络。网络的成功与所选实例成正比，如果事件不能以其所有方面出现在网络中，它可能会产生错误的输出。

具有容错性

ANN的一个或多个单元的破坏不会阻止其生成输出，此功能使网络具有容错性。

人工神经网络的缺点

确保正确的网络结构

没有特定指南来确定人工神经网络的结构。合适的网络结构是通过经验、试错和错误来实现的。

网络行为无法识别

这是ANN最重要的问题。当ANN产生测试解决方案时，它不提供关于为什么以及如何的见解。这降低了对网络的信任。

硬件依赖

人工神经网络需要具有并行处理能力的处理器，根据其结构。因此，设备的实现是依赖的。

向网络展示问题的难度

ANNs可以处理数值数据。在引入ANN之前，问题必须转换为数值。这里要解决的呈现机制将直接影响网络的性能。它取决于用户的能力。

网络的持续时间未知

网络被简化为错误的特定值，此值不会给我们提供最佳结果。

20世纪中叶进入世界的人工神经网络科学正在呈指数级发展。目前，我们已经研究了人工神经网络的优点以及在使用过程中遇到的问题。不应忽视的是，作为一门蓬勃发展的科学分支，ANN网络的缺点正在逐一消除，其优点也日益增加。这意味着人工神经网络将逐渐成为我们生活中不可或缺且日益重要的组成部分。

人工神经网络如何工作？

人工神经网络可以最好地表示为加权有向图，其中人工神经元构成节点。神经元输出和神经元输入之间的关联可以被视为带有权重的有向边。人工神经网络以模式和图像的形式接收来自外部源的输入信号，形式为向量。然后，这些输入通过数学方式为每个n个输入分配x(n)的表示法。

之后，每个输入都乘以其相应的权重（这些权重是人工神经网络用于解决特定问题的细节）。通常，这些权重通常表示人工神经网络内部神经元之间互连的强度。所有加权输入都在计算单元内汇总。

如果加权和为零，则添加偏差以使输出非零或以其他方式放大系统响应。偏差具有相同的输入，权重等于1。这里，加权输入的总和可以在0到正无穷大的范围内。这里，为了将响应保持在所需值的限制内，设定了某个最大值作为基准，并且加权输入的总和通过激活函数。

激活函数是指用于实现期望输出的传递函数集。激活函数有不同的类型，但主要是线性或非线性函数集。一些常用的激活函数集是二元、线性、和正切双曲S型激活函数。让我们详细了解它们中的每一个

二元

在二元激活函数中，输出要么是1，要么是0。这里，为了实现这一点，设置了一个阈值。如果神经元的净加权输入大于1，则激活函数的最终输出返回为1，否则输出返回为0。

S型双曲函数

S型双曲函数通常被视为“S”形曲线。这里使用正切双曲函数来近似实际净输入中的输出。该函数定义为

F(x) = (1/1 + exp(-????x))

其中????被认为是陡度参数。

人工神经网络的类型

根据人脑神经元和网络功能，人工神经网络有多种类型，人工神经网络也类似地执行任务。大多数人工神经网络将与更复杂的生物对应物有一些相似之处，并且非常有效地完成其预期任务。例如，分割或分类。

反馈人工神经网络

在这种类型的人工神经网络中，输出返回到网络内部以实现最佳演化结果。根据马萨诸塞大学洛厄尔大气研究中心的说法。反馈网络将信息反馈给自身，非常适合解决优化问题。内部系统错误校正利用反馈人工神经网络。

前馈人工神经网络

前提条件

开始本教程前无需任何专业知识。

目标受众

我们的人工神经网络教程是为初学者和专业人士开发的，旨在帮助他们理解ANNs的基本概念。

问题

我们向您保证，您在本人工神经网络教程中不会遇到任何问题。但如果出现任何问题或错误，请通过联系表单发布问题，以便我们进一步改进。

人工神经网络多项选择题

1. 人工神经网络的激活函数主要目的是什么？

1. 计算输入的加权和是主要目标
2. 向网络引入非线性
3. 在进行反向传播时能够更新权重。
4. 将其重新缩放到原始范围

2. 以下哪项不是人工神经网络的例子？这个模型是

1. 前馈神经网络
2. 循环神经网络
3. 卷积神经网络
4. 逻辑回归

3. 在神经网络的构建中，被称为反向传播的算法有什么作用？

1. 用于网络的初始权重设置
2. 计算网络输出的值
3. 为了减少误差而修改网络的权重
4. 缩小输入数据

4. 神经网络的哪一层接收输入数据？

1. 隐藏层
2. 给出结果的最后一层
3. 接收输入的第一层
4. 一个不与其他层连接，只接收信号并“激活”它的层。

5. 神经元中的显式偏置项用于向神经元中采用的激活函数引入显式偏置。

1. 使输入和权重之间的关系非线性
2. 使激活函数的_
3. 标准化输入数据
4. 改变权重

6. 对于分类问题，我们在最后一层使用哪种激活函数？有四种激活函数，包括

1. ReLU
2. Sigmoid
3. Tanh 和
4. 线性。

7. 监督学习和无监督学习在神经网络中的主要区别是什么？

1. 监督学习：它涉及在带标签的数据集上训练算法，而无监督学习：不涉及在带标签的数据集上训练。
2. 当需要预测的结果是分类的时，应用监督学习；当结果是连续的时，应用无监督学习。
3. 监督学习被认为比无监督学习更复杂。
4. 监督学习比无监督学习花费的时间更少。

8. 用于图像识别目的的神经网络架构是什么？

1. RNN
2. CNN
3. 感知器
4. 自编码器

9. 深度神经网络中消失的梯度问题究竟是什么？

1. 如果梯度太大
2. 如果梯度太小
3. 如果权重太大
4. 如果权重太小

10. 在神经网络中，哪种技术有利于避免过拟合？

1. 正则化
2. Dropout
3. 提前停止
4. 所有这些

11. 神经网络的隐藏层是什么，它看起来像什么？决策规则

1. 为了输入数据
2. 为了输出数据
3. 为了期望的复杂非线性
4. 为了新的权重。

12. 我们在人工神经网络的隐藏层中经常使用哪种激活函数？

1. ReLU
2. Sigmoid
3. Tanh
4. 线性

13. 神经网络的主要缺点是什么？原因如下

1. 神经网络计算成本高昂
2. 神经网络不易解释
3. 神经网络需要大量数据
4. 以上全部