久久青青草91在线视频,国产精品无码一区二区三区不卡

簡述智能網(wǎng)絡(luò)技術(shù) 人工智能網(wǎng)絡(luò)教程

文章插圖
神經(jīng)網(wǎng)絡(luò)簡介神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)系統(tǒng)的基石。為了在深度學(xué)習(xí)方面取得成功，我們需要從回顧神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識開始，包括架構(gòu)、神經(jīng)網(wǎng)絡(luò)算法等等。
什么是神經(jīng)網(wǎng)絡(luò)？
神經(jīng)網(wǎng)絡(luò)技術(shù)起源于上世紀五、六十年代，當(dāng)時叫感知機（perceptron），擁有輸入層、輸出層和一個隱含層
許多涉及智能、模式識別和物體檢測的任務(wù)都極難自動化，但動物和幼兒似乎可以輕松自然地完成。例如，小孩子如何學(xué)會區(qū)分校車和公交車之間的區(qū)別？我們自己的大腦是如何在不知不覺中每天下意識地執(zhí)行復(fù)雜的識別任務(wù)的？我們是如何一眼就能區(qū)分貓與狗的？
我們每個人都包含一個現(xiàn)實生活中的生物神經(jīng)網(wǎng)絡(luò)，它與我們的神經(jīng)系統(tǒng)相連——這個網(wǎng)絡(luò)由大量相互連接的神經(jīng)元（神經(jīng)細胞）組成。
“人工神經(jīng)網(wǎng)絡(luò)”是一種試圖模仿我們神經(jīng)系統(tǒng)中的神經(jīng)連接的計算系統(tǒng) 。人工神經(jīng)網(wǎng)絡(luò)也被稱為“神經(jīng)網(wǎng)絡(luò)”或“人工神經(jīng)系統(tǒng)” 。通常縮寫人工神經(jīng)網(wǎng)絡(luò)并將它們稱為“ANN”或簡稱為“NN” 。
對于一個被視為神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，它必須包含一個帶標簽的圖結(jié)構(gòu)，圖中的每個節(jié)點都執(zhí)行一些簡單的計算。從圖論中，我們知道圖由一組節(jié)點（即頂點）和一組將節(jié)點對連接在一起的連接（即邊）組成。在下圖中，我們可以看到此類 NN 圖的示例。
一個簡單的神經(jīng)網(wǎng)絡(luò)架構(gòu) 。輸入呈現(xiàn)給網(wǎng)絡(luò) 。每個連接通過網(wǎng)絡(luò)中的兩個隱藏層承載一個信號。最后一個函數(shù)計算輸出類標簽。
每個節(jié)點執(zhí)行一個簡單的計算。然后，每個連接將信號（即計算的輸出）從一個節(jié)點傳送到另一個節(jié)點，用權(quán)重標記，指示信號被放大或減弱的程度。一些連接具有放大信號的正權(quán)重，表明信號在進行分類時非常重要。其他的具有負權(quán)重，降低了信號的強度，從而指定節(jié)點的輸出在最終分類中不太重要。我們稱這樣的系統(tǒng)為人工神經(jīng)網(wǎng)絡(luò)
人工模型
讓我們首先看看一個基本的神經(jīng)網(wǎng)絡(luò)，它對輸入執(zhí)行簡單的加權(quán)求和。值x 1 、x 2和 x 3是我們 NN的輸入，通常對應(yīng)于我們設(shè)計矩陣中的單行（即數(shù)據(jù)點）。常數(shù)值 1 是我們的偏差，假定已嵌入到設(shè)計矩陣中。我們可以將這些輸入視為神經(jīng)網(wǎng)絡(luò)的輸入特征向量。
一個簡單的神經(jīng)網(wǎng)絡(luò)，它采用輸入x和權(quán)重w的加權(quán)和。這個加權(quán)和然后通過激活函數(shù)來確定神經(jīng)元是否激活。
在實踐中，這些輸入可以是用于以系統(tǒng)的、預(yù)定義的方式量化圖像內(nèi)容的向量（例如，顏色直方圖、定向梯度直方圖、局部二進制模式等）。在深度學(xué)習(xí)的背景下，這些輸入是圖像本身的原始像素強度。
每個x通過一個由w 1 , w 2 , …, w n組成的權(quán)重向量W連接到一個神經(jīng)元，這意味著對于每個輸入x，我們也有一個關(guān)聯(lián)的權(quán)重w 。
最后，右側(cè)的輸出節(jié)點取加權(quán)和，應(yīng)用激活函數(shù)f（用于確定神經(jīng)元是否“觸發(fā)”），并輸出一個值。以數(shù)學(xué)方式表達輸出，通常會遇到以下三種形式：
? f ( w 1 x 1 + w 2 x 2 + … + w n x n )
? f (∑ n i =1 w i x i )
? 或者簡單地說，f ( net )，其中net = ∑ n i =1 w i x i
不管輸出值如何表達，我們只是對輸入進行加權(quán)求和，然后應(yīng)用激活函數(shù)f
激活函數(shù)
最簡單的激活函數(shù)是感知器算法使用的“階躍函數(shù)” 。
從上面的等式我們可以看出，這是一個非常簡單的閾值函數(shù) 。如果加權(quán)和 ∑ n i =1 w i x i > 0，則輸出 1，否則輸出 0 。
沿x軸輸入值，沿y軸繪制f ( net )的輸出，我們可以看到為什么這個激活函數(shù)由此得名。當(dāng)net小于或等于零時，f的輸出始終為零。如果net大于零，則f將返回 1 。

以上關(guān)于本文的內(nèi)容，僅作參考！溫馨提示：如遇健康、疾病相關(guān)的問題，請您及時就醫(yī)或請專業(yè)人士給予相關(guān)指導(dǎo)!

「愛刨根生活網(wǎng)」www.malaban59.cn小編還為您精選了以下內(nèi)容，希望對您有所幫助：

簡述智能網(wǎng)絡(luò)技術(shù) 人工智能網(wǎng)絡(luò)教程