神经网络教程：初学者分步指南

在机器学习领域，有很多有趣的概念。 在这里，在这个神经网络教程中，我们将讨论神经网络的基本概念之一。 本文将通过解释这些网络背后的理论来帮助您理解这些网络的工作原理。

完成本人工神经网络教程后，您会发现：

• 什么是神经网络？
• 神经网络是如何工作的？
• 神经网络有哪些类型？

什么是神经网络？

神经网络是一种旨在像人脑一样工作的系统。 这很简单，但在我们的日常生活中很普遍。

一个复杂的定义是神经网络是一个具有网络架构的计算模型。 这种架构由人工神经元组成。 该结构具有特定参数，可以通过这些参数对其进行修改以执行某些任务。

它们具有广泛的近似特性。 这意味着他们可以将函数逼近到任何精度级别，而不管其维度如何。 神经网络在传统计算机表现不佳的领域有广泛的应用。 从 Siri 到谷歌地图，神经网络出现在每个使用人工智能的地方。

它们是人工智能操作的重要组成部分。 神经网络从人脑中汲取灵感，因此它们的结构也与之相似。

神经网络如何工作？

神经网络有很多层。 每一层都执行特定的功能，网络越复杂，层数就越多。 这就是为什么神经网络也被称为多层感知器的原因。

最纯粹的神经网络形式具有三层：

1. 输入层
2. 隐藏层
3. 输出层

顾名思义，这些层中的每一层都有特定的用途。 这些层由节点组成。 根据需要，一个神经网络可以有多个隐藏层。 输入层拾取输入信号并将它们传输到下一层。 它从外部世界收集数据。

隐藏层执行计算的所有后端任务。 一个网络甚至可以有零个隐藏层。 然而，神经网络至少有一个隐藏层。 输出层传输隐藏层计算的最终结果。

与其他机器学习应用程序一样，您也必须使用一些训练数据来训练神经网络，然后才能为其提供特定问题。 但在我们更深入地了解神经网络如何解决问题之前，您应该首先了解感知器层的工作原理：

感知器层如何工作？

神经网络由许多感知器层组成； 这就是为什么它有“多层感知器”这个名字。 这些层也称为密集层的隐藏层。 它们由许多感知器中子组成。 它们是共同工作以形成感知器层的主要单元。 这些神经元接收输入集中的信息。 您将这些数字输入与一个偏差和一组权重结合起来，然后产生一个输出。

对于计算，每个神经元都考虑权重和偏差。 然后，组合函数使用权重和偏差给出输出（修改后的输入）。 它通过以下等式起作用：

组合 = 偏差 +权重 * 输入

在此之后，激活函数产生具有以下等式的输出：

输出 = 激活（组合）

这个函数决定了神经网络扮演什么样的角色。 它们构成了网络的各个层。 以下是流行的激活函数：

线性函数

在这个函数中，输出只是神经元的组合：

激活=组合

双曲正切函数

它是神经网络中最流行的激活函数。 它是一个 sigmoid 函数，位于 -1 和 +1 之间：

激活 = tanh（组合）

逻辑函数

逻辑函数与双曲正切函数非常相似，因为它也是一种 sigmoid 函数。 但是，它是不同的，因为它位于 0 和 1 之间：

激活 = 1 1 + e -组合

整流线性单位函数

就像双曲正切函数一样，修正后的线性单位函数也很普遍。 整流线性单元函数的另一个名称是 ReLU。 ReLU 等于或大于零时等于组合，如果组合小于（负）零则为负。

那么，神经网络究竟是如何工作的呢？

既然您知道神经网络背后是什么以及它是如何工作的，我们就可以专注于神经网络的工作。

以下是它的工作原理：

1. 信息被输入输入层，输入层将其传输到隐藏层
2. 两层之间的互连为每个输入随机分配权重
3. 在权重与它们单独相乘后添加到每个输入的偏差
4. 加权和被转移到激活函数
5. 激活函数确定应该触发哪些节点进行特征提取
6. 该模型将应用程序功能应用于输出层以传递输出
7. 调整权重，并反向传播输出以最小化错误

该模型使用成本函数来降低错误率。 您将不得不使用不同的训练模型更改权重。

1. 模型将输出与原始结果进行比较
2. 它重复该过程以提高准确性

该模型在每次迭代中调整权重以提高输出的准确性。

加入来自世界顶级大学的在线人工智能课程——硕士、高管研究生课程和 ML 和 AI 高级证书课程，以加快您的职业生涯。

神经网络的类型

1）循环神经网络（RNN）

在这个网络中，层的输出被保存并传输回输入。 这样，特定层的节点会记住有关过去步骤的一些信息。 输入层的组合是权重和特征之和的乘积。 循环神经网络过程从隐藏层开始。

在这里，每个节点都记住了它的前一步的一些信息。 该模型保留了每次迭代的一些信息，以后可以使用这些信息。 当结果错误时，系统会自我学习。 然后，它使用该信息来提高其在反向传播中的预测准确性。 RNN 最流行的应用是文本转语音技术。

2）卷积神经网络（CNN）

该网络由一个或多个卷积层组成。 该网络中存在的卷积层在将输入传输到下一层之前对输入应用卷积函数。 由于这个原因，网络的参数更少，但它变得更加深刻。 CNN 广泛用于自然语言处理和图像识别。

3）径向基函数神经网络（RBFNN）

该神经网络使用径向基函数。 该函数考虑点到中心的距离。 这些网络由两层组成。 隐藏层将特征与径向基函数结合起来，并将输出传递到下一层。

下一层在使用上一层的输出时执行相同的操作。 径向基函数神经网络用于电力系统。

4）前馈神经网络（FNN）

这是最纯粹的人工神经网络形式。 在这个网络中，数据沿一个方向移动，即从输入层到输出层。 在这个网络中，输出层接收输入乘积及其权重的总和。 这个神经网络没有反向传播。 这些网络可能有很多或零个隐藏层。 这些更容易维护和在人脸识别中找到应用。

5）模块化神经网络

该网络拥有多个独立运行的网络。 它们都执行特定的任务，但在计算过程中它们不相互交互。

这样，模块化神经网络可以以更高的效率执行高度复杂的任务。 与更简单的网络（例如 FNN）相比，这些网络的维护难度更大，但它们也为复杂的任务提供了更快的结果。

了解有关神经网络的更多信息

这就是我们的神经网络教程中的内容。 您一定已经看到这些网络可以执行的各种任务。 它们几乎用于我们日常使用的所有技术中。 如果您想了解有关神经网络的更多信息，可以查看我们的人工智能和机器学习课程目录。

您可以查看我们的机器学习和 AI 执行 PG 计划，该计划提供实用的实践研讨会、一对一的行业导师、12 个案例研究和作业、IIIT-B 校友身份等。