神经网络最基本形式感知器的入门教程

  人工神经网络最近几年在深度学习的推动下得到了重视。但是什么是人工神经网络,它是由什么形成的? 答案是感知器perceptron。

人工神经网络是以人的大脑为建模原型,你也许曾经疑惑为什么有些任务对于人类非常简单但是对于计算机却意想不到的困难,人工神经网络(简称:ANN's)就是受到人类中枢神经系统启示的,如果其生物原理,神经网络是建立在简单的信号处理单元之上,这些单元彼此联接形成一个大的网络。

那么神经网络可以做些什么事情?

  • 通过识别模式分类数据,这幅图是树吗?也就是对这幅图是否是树这个类别进行判断。
  • 检测异常或新奇, 当测试数据并不匹配通用模式,卡车司机是否可能会在打瞌睡呢?这些地震活动是正常的吗?还是预示大地震?
  • 处理信号, 实现过滤filtering, 分离sepataring, 或压缩 compressing.
  • 近似目标函数,主要用于预测和前瞻,这场风暴会变成一场龙卷风吗?

以上只是抽象的用途,让我们看看在现实中真实应用:

  • 识别人脸
  • 语音识别
  • 阅读你的笔迹签名
  • 翻译文档
  • 玩游戏(通常是棋盘游戏或纸牌游戏)
  • 自动驾驶汽车和机器人
  • 更多事情

 

神经网络的拓扑

有很多方法编织神经网络节点,也就是组网,并且每个方法都会导致或多或少复杂的行为,可能最简单的拓扑结构是前馈网络,信号指示沿着一个方向流动,信号路径中没有任何循环。

人工神经网络

通常情况下,神经网络有一个分层结构,输入层提取输入信号,然后将它们传给下一个层,也就是隐藏层(实际上可能不只一个隐藏层),最后输出层,提供结果。

神经网络必须学习

与传统的算法不同是,神经网络不能被编程或配置预定其如何工作,如同人类的大脑一样,它们必须通过学习完成任务,粗略地说,有三种学习策略:

监管式学习:这是最简单方法,如果存在足够大的测试数据以及已知正确结果,处理这个数据集,然后和已知结果进行比较,不断调整网络并且重复。我们在本文使用的是这个策略。

非监督式学习:如果没有现场的数据,但是从某个期望行为获得某种成本函数,这个成本函数会告诉神经网络它离目标有多少偏差,神经网络能在处理真实数据时同时不断调整其参数。

加强式学习(Reinforced learning):这是胡萝卜和大棒的方法,如果神经网络产生持续动作就可以使用这个方法,如果动作正确就将胡萝卜放在你的鼻子面前,如果走向错误方向,嗯就是大棒伺候,随着时间推移,神经网络更愿意采取正确动作,避免错误行为。

现在我们知道了一些关于人工神经网络的性质,但它们到底是什么?

神经元:神经网络的构建块

人工神经网络基本成分是人工神经元,它们不仅是以生物命名,而且是按照我们大脑中神经元的行为来命名的。

下页

 

大数据专题

Hello, TensorFlow入门教程