神经网络简介

神经网络是一种尖端的学习技术。您将需要带来对AI和机器学习的所有知识，以帮助您了解这些“数字大脑”如何工作。

什么是神经网络？

神经网络是模仿的算法部分关于我们大脑中的细胞（神经元）如何合作做出决策。

神经网络是框架用于机器学习算法。您可以使用神经网络对数据进行分类和应用标签。他们还可以预测数字结果，甚至可以处理自然语言以了解命令。尽管它们非常有用，但创建和培训神经网络需要大量时间和非常强大的处理器。

节点，层和重量

上面是一个简单神经网络的示例，表示为图形节点和连接。

圆圈被称为节点或神经元他们被组织成层，每个表示单层的节点的列。任何神经网络中的第一层都称为输入层并且每个节点将被神经网络当前正在使用的数据点的单个属性提供。例如，用于预测房价的神经网络的输入层可能看起来像：

每个神经网络中的最后一层是输出层。如果所需的结果是单个值，例如回归问题的数字，则输出层中只有一个节点。如果使用网络进行分类，则您将需要每个潜在标签的输出节点。

在这两个层之间是隐藏的层，可以是单层或多层连接在一起的。这些层被称为“隐藏”，因为程序员无法直接与它们进行交互。

隐藏层中的节点将通过应用程序从其输入（从以前的层连接到它们连接的节点）生成值权重给他们。神经网络中的每个连接都有一个重量。重量越高，输入对节点的值的影响就越大。隐藏层中的节点和连接结合了多个输入。

为什么使用神经网络？

神经网络确实擅长学习并代表输入部分与期望结果之间的复杂关系。例如，在电影数据集中，神经网络可以对运行时间的组合，对话线和流派对票房销售的组合进行建模，而其他方法可能不会发现这种关系。

您可以将每个节点视为自己的节点映射功能结合了输入的不同部分以创建一个特征- 代表数据中关系的输入及其权重的组合。然后，这些功能充当其他节点和更多映射功能的输入。在使用复杂数据（如图像）时，将所有这些映射功能组合起来使神经网络比其他机器学习方法更准确。

神经网络拓扑

节点连接在一起的方式称为拓扑。

前馈神经网络将所有节点从一层连接到下一层中的所有节点。这意味着输入层中的每个节点都连接到第一个隐藏层中的每个节点，依此类推，直到输出层。

它们被称为前馈，因为数据流的方向始终是向前移动的，并且来自一层的所有数据是总是传递到下一个。

复发性神经网络允许连接向后移动，以便可以将一个节点的输出输入到较早的层中，以进行模型的下一个迭代。

这对于先前的节点结果对下一个输出产生影响的情况很有用，例如在预测文本中，最后几个单词对下一个建议产生重大影响。

神经网络如何学习

而神经网络不起作用确切地就像大脑一样，这是一个有用的类比，可以帮助您了解该技术。在大脑内部，单个脑细胞通过突触彼此连接。您可以将神经网络中的节点视为脑细胞，将连接视为突触。

信息以电信号的形式传递在脑细胞之间，并且接收细胞结合了这些信号，以决定是否应发送信号以响应。我们之所以学习，是因为我们的大脑加强了有用的神经元连接，并削弱了（或“修剪”）的有用连接。神经网络也通过调整权重时也可以这样做，从而扩大有用的连接，同时通过将其重量设置为零，从而消除他人。