当前课程知识点：Introduction to Artificial Intelligence > Chapter 5 Deep Learning > 5.2 What is Neural Network > Video 5.2
返回《Introduction to Artificial Intelligence》慕课在线视频课程列表
返回《Introduction to Artificial Intelligence》慕课在线视频列表
大家好
在本节中，我们将讨论什么是神经网络
神经网络在深度学习领域具有广泛的应用
要了解神经网络
我们需要分解它
并去了解神经网络的最基本单元
我们已经介绍了
人工神经网络是基于人脑设计的
人脑有数十亿个神经元
神经元是人脑中相互连接的神经细胞
涉及加工和传输化学与电信号
细胞核或体细胞处理从树枝状收到的信息
轴突是神经元使用来发送信息的电缆
突触是轴突和其他神经元树突之间的连接
这些神经元相互连接
数百万这样的神经元位于我们的大脑里
他们的工作基于其他神经元的输入的信号
这些信号可能来自身体其他部位
人工神经元是基于生物神经元模型的数学函数
每个神经元接受输入
分别计算
再将它们加和
并将和通过非线性函数传递 得到输出
人工神经元在下面的解释中类似于生物神经元
感知器是用于对线性数据进行分类的单层神经网络
它具有4个重要组成部分
输入权重和偏差 求和功能 和激活或转换功能
感知器背后的基本逻辑如下
输入的（x）从输入层被接收 与分配权重w相乘
然后将相乘的值相加
形成加权总和
得到的加权和和它们各自的值
被应用于相关的激活函数
激活函数把输入映射到相应的输出上
为什么我们必须为每个输入分配权重
输入变量输入到网络后
将会分配一个随机选择的值作为该输入的权重
每个输入数据点的权重指示了
输入是在预测结果中有多重要
偏差参数允许我们
调整激活函数曲线
以这种方式实现精确的输出
一旦为输入分配权重后
就可以计算各个输入的按权重乘积
添加这些量使我们得到加权总和
这些是通过求和函数完成的
激活功能的主要目的
是将加权总和映射到输出
激活函数 如ReLU S型函数等是转换函数的示例
根据人脑建模的神经网络
用于模拟人脑的功能
人脑是一个由多个神经元组成的神经网络
类似地
人工神经网络（ANN）由多个感知器组成
神经网络由三个重要层组成
输入层
顾名思义
该层接受程序员提供的所有输入
隐藏层
在输入和输出层之间是一组称为“隐藏层”的层
在这一层执行计算 从而输出
输出层
输入经过一系列转换
通过隐藏层
最终输出
这个过程是通过此层传送的
机器学习和AI的增长
让组织能够提供智能解决方案
和个性化的预测给他们的顾客
但是 由于各种原因并非所有组织都有自由
在过程中实施机器学习和AI
这就是各种深度学习框架的服务所在
这些接口 库或工具
通常是开源的
那些对机器学习和人工智能知识了解不多的人
可以轻松整合使用
深度学习框架可以帮助您上传数据
并训练深度学习模型
这将有助于准确而直观的预测分析
Google的Brain团队开发了深度学习框架
称为TensorFlow
支持像Python和R的语言
并使用数据流图来处理数据
这个非常重要
因为当您建立这些神经网络时
你可以通过神经网络看到数据如何流动
TensorFlow的机器学习模型易于构建
可用于强大的机器学习产品
并进行强大的实验研究
使用TensorFlow
您还可以获得TensorBoard
用于数据可视化
由于这是一个很大的安装包
因此通常不会引起注意
TensorBoard简化了直观显示数据的过程
与你的股东合作时
你可以使用R和Python可视化软件包
Chollet最初开发的是Keras
它拥有超过350,000个用户
以及700多个开源贡献者
使其成为增长最快的深度学习框架包之一
Keras支持用Python编写的高级神经网络API
Keras在TensorFlow Theano和CNTK之上运行使其变得有趣
Keras被多家初创公司 研究实验室
以及包括Microsoft Research NASA Netflix等在内的公司使用
PyTorch建立在基于Lua的科学计算框架上
用于机器学习和深度学习算法
PyTorch在大型公司中被广泛使用
像Facebook Twitter Google等
有些人已经对神经网络的发展做出了巨大的贡献
让我们看一些代表性的数字
杰弗里·欣顿
英国著名的计算机科学家和心理学家
也是新互联网之父和“人工智能的教父”
以表彰他对神经网络的杰出贡献
欣顿是BP算法（反向传播算法）的发明者之一
以及深度学习的积极推动者
他目前是多伦多大学的计算机科学教授
扬·勒村
他被称为卷积网络之父
他在1988年建立了第一个卷积神经网络 称为LeNet
LeNet用于字符识别任务
例如阅读邮政编码和数字
他的卷积网络模型被广泛用于计算机视觉
和语音识别应用
本吉奥的论文“神经概率语言模型”
开创了神经网络语言模型
它的整体思路影响和启发了许多论文
基于神经网络做NLP在工业上已被广泛使用
本吉奥也对梯度消失分析 word2vec的雏形
和流行的计算机翻译做出了贡献
本吉奥与杰弗里·欣顿和扬·勒村一起
荣获2018年图灵奖
本节到此结束
感谢您的收看 欢迎进入下一节
-1.1 What is artificial intelligence
--Exercise 1.1
-1.2 The History of artificial intelligence
--Exercise 1.2
-1.3 Applications of Artificial Intelligence
--Exercise 1.3
-1.4 Machine Learning and Deep Learning
--Exercise 1.4
-2.1 What is Machine Learning
-2.2 Supervised Learning
-2.3 Unsupervised Learning
-2.4 Construction of Development Environment
-3.1 What is Regression
--Exercise 3.1
-3.2 Linear Regression
--Exercise 3.2
-3.3 Logistic Regression
--Exercise 3.3
-3.4 Practical Case
-4.1 What is Classification
-4.2 Naive Bayes
-4.3 Support Vector Machine
-4.4 Practical Case
-5.1 Introduction to Deep Learning
--Exercise 5.1
-5.2 What is Neural Network
--Exercise 5.2
-5.3 Neural Network Basics
--Exercise 5.3
-5.4 Practical Case
-6.1 What is Convolutional Neural Network
-6.2 Convolution Layer
-6.3 Pooling Layer
-6.4 Classical Convolutional Neural Network
-7.1 What is Computer Vision
--Exercise 7.1
-7.2 Image Classification
--Exercise 7.2
-7.3 Introduction to TensorFlow
--Exercise 7.3
-7.4 Practical Case
-8.1 What is Natural Language Processing
-8.2 Basics of NLP
-8.3 Recurrent Neural Network
-8.4 Practical Case
