一、概念了解
前言
人工神經網路 (Artificial Neural Network, ANN)，由人工神經元構成的網路，模擬人類的大腦；它模擬生物程序以反映人腦某些特征的計算結構，
神經元及其突觸是神經網路的基本器件；模擬生物網路首先模擬生物神經元，
人工神經元
在人工神經網路中，人工神經元經常成為“處理單元”；從網路的觀點出發常稱為“節點”，
人工神經元是對生物神經元的一種形式化描述，它對生物神經元的資訊處理程序進行抽象，并用數學語言描述，
人工神經網路
簡介
它由處理單元（人工神經元）及其稱為聯接的訊號通道互聯而成；這些處理單元具有區域記憶體，并可以完成區域操作，
重點
每個處理單元可以一對一的方式與其他處理單元聯接，也可以一對多聯接；每個處理單元的輸出，可以根據需要被分支成希望個數的信號，然后并行聯接，并且并行聯接都輸出相同的信號；即輸出信號的大小一致，不因分支的多少而變化，
處理程序
- 處理單元的輸出信號可以是任何需要的數學模型；
- 處理單元僅僅依賴于經過輸入聯接到處理單元的所有輸入信號的當前值和存盤在處理單元區域記憶體中的值，
特點
- 人工神經網路是一個并行、分布處理結構，
- 具有學習能力、泛化能力（人工神經網路對不在訓練集合中資料可以產生合理的輸出）
功能
聯想記憶功能、非線性映射功能、分類與識別功能、知識處理功能
小結
人工神經元模擬生物神經元；
人工神經網路模擬人類的大腦，即模擬生物神經網路，
二、進一步理解
前言
人工神經網路 (Artificial Neural Network, ANN)，由人工神經元構成的網路，模擬人類的大腦；它模擬生物程序以反映人腦某些特征的計算結構，
人類大腦：
人類大腦可以看作是一個龐大復雜的生物神經網路；其主要由生物神經元和突觸組成；
生物神經網路：
生物神經元：
- 主要由細胞體、軸突、樹突、突觸組成；
- 樹突，接受信號；軸突，發生信號；
- 突觸是信號傳遞的界面，
圓圓的球形體是細胞體；長長的是軸突；
兩種狀態：興奮和抑制；
多個輸入以代數和的方式疊加，輸入興奮信號總和超過某個閾值，神經元進入興奮狀態；
小結：神經元及其突觸是神經網路的基本器件；模擬生物網路首先模擬生物神經元，
人工神經元
在人工神經網路中，人工神經元經常成為“處理單元”；從網路的觀點出發常稱為“節點”，
人工神經元是對生物神經元的一種形式化描述，它對生物神經元的資訊處理程序進行抽象，并用數學語言描述，
模型圖：
計算程序圖：
備注：1）加權求和是指對應的輸入值和權值相乘，然后把各個相乘的結果相加，比如輸入x1，對應的權值是w1，對應相乘：x1*w1
加權求和所得： x1*w1+ x2*w2+ ······· xn*wn
2）f是指激活函式，把加權求和的結果 映射為另一個值；
比如常用的 Sigmoid 激活函式，它的影像是這樣的：
當輸入一個值X，映射為另一個值Y
數學模型如下：
Sigmoid 函式的輸出范圍是 0 到 1，用于將預測概率作為輸出的模型， Sigmoid 函式非常合適，
人工神經網路
簡介
它由處理單元（人工神經元）及其稱為聯接的訊號通道互聯而成；這些處理單元具有區域記憶體，并可以完成區域操作，
重點
每個處理單元可以一對一的方式與其他處理單元聯接，也可以一對多聯接；每個處理單元的輸出，可以根據需要被分支成希望個數的信號，然后并行聯接，并且并行聯接都輸出相同的信號；即輸出信號的大小一致，不因分支的多少而變化，
1）單層神經網路：
單層神經網路也叫 “感知器”，有兩個層次；分別是輸入層和輸出層，輸入層里的“輸入單元”只負責傳輸資料，不做計算，輸出層里的“輸出單元”則需要對前面一層的輸入進行計算，
比如：
輸出節點展開：變成加權求和+激活函式
即：
2）多層神經網路：
單層感知機的表達能力有限，復雜的就無法實作了；這時多層神經網路出現了，它能表達更抽象、更豐富、更精準的邏輯、或行為、或現象，
下圖網路結構包含輸入層、輸出層、隱藏層（2層）；輸入層和輸出層之間都叫隱藏層，
輸入層有4個輸入神經單元，隱藏層1有5個神經單元，隱藏層2有3個神經單元，輸出層有1個神經單元，
設計一個神經網路時，輸入層與輸出層的節點數往往是固定的，中間層則需要設計；（構建神經網路的關鍵）
輸入層 是由輸入資料的種類決定的，比如需要輸入4種資料，分別是物體的速度、加速度、位置、姿態，來做預測；這時就設定輸入層為4個神經單元，如果只需輸入一張圖片，來做識別，這時設定輸入層為1個神經單元，
輸出層 是我們要向結果的種類決定的，比如需要預測一個分數，那么輸出層為1個神經單元，如果需要讓神經網路模型做一個2分類判斷，判斷輸入的圖片是小貓，小狗，那么輸出層為2個神經單元，
隱藏層 往往需要工程師精心設計，然后測驗，才有一個較好的模型，
處理程序
處理單元的輸出信號可以是任何需要的數學模型（不同的激活函式）；
處理單元僅僅依賴于經過輸入聯接到處理單元的所有輸入信號的當前值和存盤在處理單元區域記憶體中的值，
特點
人工神經網路是一個并行、分布處理結構，
具有學習能力、泛化能力（人工神經網路對不在訓練集合中資料可以產生合理的輸出）
功能
1）聯想記憶功能
2）非線性映射功能
3）分類與識別功能
4）知識處理功能
小結
人工神經元模擬生物神經元；
人工神經網路模擬人類的大腦，即模擬生物神經網路，
參考：
1）北京交通大學《計算智能基礎》課程；
2）北京交通大學《影像處理與機器學習》課程；
3）https://cloud.tencent.com/developer/news/389738
如有錯誤，歡迎指出；歡迎交流~
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/272610.html
標籤：AI