神經網絡模型：簡介、詞彙表和反向傳播

如果您是一名軟件工程愛好者，想要了解神經網絡的工作原理，那麼您來對地方了。

在本指南中，我們將幫助初學者了解神經網絡的含義，了解什麼是神經網絡模型，並將他們的知識擴展到該領域的新領域。

什麼是神經網絡？

在進入計算術語之前，讓我們了解一下日常生活中神經網絡的存在。

“神經”一詞來自“神經元”，這是用於單個神經細胞的術語。 沒錯——神經網絡本質上是指在我們的日常生活中執行簡單動作的神經元網絡。

模式識別、對象檢測和智能是我們每天面臨的問題的一個主要方面。 雖然它們執行起來非常容易，我們甚至沒有意識到，但事實是這些反應很難自動化。

例子：

• 孩子們記住蘋果的樣子
• 認出它的母親或主人的動物
• 感知事物是熱的還是冷的

我們的神經網絡執行這些複雜的計算。

人類現在已經能夠建立一個可以以類似於我們的神經系統的方式執行的計算系統。 這些被稱為人工神經網絡（ANN）。

雖然我們最初使用人工神經網絡來執行簡單的功能，但計算能力的提高現在使我們能夠構建一個相當強大的神經網絡架構來解決日益複雜的問題。

讓我們在下一節深入了解 ANN。

閱讀：面向初學者的 TensorFlow 對象檢測教程

什麼是人工神經網絡模型？

包含輸入層、隱藏層和輸出層的多層全連接神經網絡稱為人工神經網絡或 ANN。

下圖代表一個 ANN。

資源

如果你仔細看，你會注意到一層中的每個節點都連接到它旁邊的層中的每個節點。

隨著隱藏層數量的增加，網絡變得更深。

讓我們看看輸出或隱藏層中的單個節點是什麼樣的。

資源

如您所見，該節點有很多輸入。 它匯總所有權重並通過非線性激活函數將其作為輸出傳遞。

節點的這個輸出成為下一層節點的輸入。

這裡需要注意的重要一點是信號總是從左向右移動。 一旦所有節點都遵循該過程，將給出最終輸出。

這是節點方程的樣子。

資源

在上面的等式中，b 是偏差。 它是所有節點的輸入，並且始終帶有值 1。

偏差有助於將激活函數結果向左或向右移動。

人工神經網絡模型詞彙表

讓我們看一下在涉及人工神經網絡模型時應該知道的基本術語。

輸入

首先從源輸入到神經網絡的數據稱為輸入。 它的目標是讓網絡數據對輸入的信息做出決定或預測。 神經網絡模型通常接受輸入的實值集，並且應該將其饋送到輸入層的神經元中。

訓練集

您已經知道正確輸出的輸入稱為訓練集。 這些用於幫助神經網絡得到訓練並記住給定輸入集的結果。

輸出

每個神經網絡都會生成一個輸出，作為對輸入數據的預測或決策。 此輸出採用實數值集或布爾決策的形式。 只有輸出層中的神經元產生輸出值。

神經元

神經元也稱為感知器，是神經網絡的基本單元。 它接受輸入值並基於它生成輸出。

如前所述，每個神經元接收一部分輸入，並通過非線性激活函數將其傳遞到下一層的節點。 這些激活函數可以是 TanH、sigmoid 或 ReLu。 這些函數的非線性特徵有助於訓練網絡。

重量空間

每個神經元都有一個數字權重。 當它將輸入傳遞給另一個音符時，它的權重與其他音符相加以生成輸出。 通過對這些權重進行微小的更改，就是訓練神經網絡的方式。 權重的微調有助於確定能夠產生最佳結果的正確權重和偏差集。 這就是反向傳播的用武之地。

什麼是神經網絡模型中的反向傳播？

成功找出需要對權重進行細微更改以最小化整個網絡損失的方法之一是反向傳播。

• 首先，激活將在向上或前饋方向傳播。
• 現在，成本函數導數必須向下或反向傳播。

這樣，您將能夠確定每個權重的部分成本導數。 然後，您可以計算通過調整將減少的成本。

結論

許多軟件工程師不推薦使用神經網絡模型，因為他們認為這種模型效率很低，因為需要多次迭代才能得出最具成本效益的解決方案。

然而，許多新算法，例如 Hinton 的膠囊網絡、膠囊神經網絡，需要更少的調整實例來達到精確的模型。 因此，神經網絡在未來肯定有很大的發展空間。

如果您有興趣了解有關機器學習的更多信息，請查看 IIIT-B 和 upGrad 的機器學習和人工智能 PG 文憑，該文憑專為工作專業人士設計，提供 450 多個小時的嚴格培訓、30 多個案例研究和作業、IIIT- B 校友身份、5 個以上實用的實踐頂點項目和頂級公司的工作協助。