人工神经网络（ANNs）是旨在模仿人脑处理信息方式的计算机系统。就像大脑使用神经元来处理数据和做出决策一样，ANNs 使用人工神经元来分析数据、识别模式并做出预测。这些网络由相互连接的神经元层组成，它们协同工作以解决复杂问题。其核心思想在于，ANNS 能够像我们的大脑从经验中学习一样，从它们处理的数据中“学习”。它们被用于从图像识别到个性化推荐等各种应用中。在本文中，我们将深入了解 ANNs，了解它们的工作原理以及其他核心概念。
人工神经网络的关键组成部分
- 输入层： 这是网络接收信息的地方。例如，在图像识别任务中，输入可能是一张图像。
- 隐藏层： 这些层处理从输入层接收到的数据。隐藏层越多，网络能够学习和理解的复杂模式就越多。每个隐藏层将数据转换为更抽象的信息。
- 输出层： 这是做出最终决策或预测的地方。例如，在处理图像后，输出层可能会决定它是猫还是狗。
!Neural Networks Architecture神经网络架构
人工神经网络的工作原理
ANNs 通过一种称为训练的过程，通过学习数据中的模式来工作。在训练期间，网络会将其预测结果与实际结果进行比较，从而调整自身以提高准确性。
让我们看看学习过程是如何工作的：
- 输入层：图像、文本或数字等数据通过输入层输入到网络中。
- 隐藏层：隐藏层中的每个神经元对输入执行一些计算，并将结果传递到下一层。数据在每一层都会被转换和抽象化。
- 输出层：在通过所有层之后，网络给出其最终预测，例如将图像分类为猫或狗。
反向传播 的过程用于调整神经元之间的权重。当网络犯错误时，权重会更新以减少误差并改善下一次预测。
训练与测试：
- 在训练期间，向网络展示示例（例如猫的图像），并学习识别其中的模式。
- 训练完成后，我们在新数据上测试网络以检查其性能。网络训练得越好，它对新数据的预测就越准确。
人工神经网络是如何学习的？
- 人工神经网络（ANNs）通过在一组数据上进行训练来学习。例如，为了教 ANN 识别猫，我们向它展示数千张猫的图像。网络处理这些图像并学习定义猫的特征。
- 一旦网络经过训练，我们通过提供新图像来测试它，看看它是否能正确识别猫。然后将网络的预测结果与实际标签（是否是猫）进行比较。如果它做出了错误的预测，网络会通过使用称为反向传播的过程微调神经元之间的连接权重来进行调整。这涉及根据预测结果和实际结果之间的差异来纠正权重。
- 这个过程重复进行，直到网络能够以最小的误差准确识别图像中的猫。本质上，通过不断的训练和反馈，网络在识别模式和做出预测方面变得越来越好。
生物神经元 vs 人工神经元
生物神经元
—
树突：接收来自其他神经元的信号。
细胞体：处理信号。
轴突：将处理后的信号传输给其他神经元。
突触：神经元之间传递信号的连接。
突触可塑性：基于随时间的活动产生的突触强度变化。
激活：当信号足够强以达到阈值时，神经元会兴奋。
!Biological neurons to Artificial neurons – Geeksforgeeks从生物神经元到人工神经元