深度学习速成(7)人工神经网络简述

一、概念

人工神经网络是一种模仿生物神经网络的结构和功能的数学模型，它由多个简单的处理单元（人工神经元）组成，这些人工神经元像生物神经元一样相互连接。这些神经元通过连接形成大量的神经元网络，它们可以学习和识别模式、分类数据，甚至能够做出预测。人工神经网络被广泛应用于图像识别、自然语言处理、语音识别等领域，它也是深度学习算法的基础。通过反复训练，神经网络可以逐渐提高其准确率和性能。

二、神经元

神经元是组成神经系统的基本单元，用于接收、处理和传递信息。在人工神经网络中，每个神经元都是一个数学模型，被用来模拟生物神经元接收和处理信息的行为。神经元有一个或多个输入，每个输入都有一个权重，神经元会将所有输入乘以它们的权重，然后求和得到一个加权和，在加上一个偏置量，最后将这个结果通过一个激活函数进行处理。激活函数的作用是将神经元的输出转换成一个非线性的形式，以增加神经网络的拟合能力。这个输出可以被传递到其它神经元或者返回输出值。

M-P神经元模型：

 把许多这样的神经元按照一定的层次结构连接起来，就得到了神经网络。其中：

1.x1,x2,x3,,,,,,,xd为各个输入的分量。

2.w1,w2,w3,,,,,wd为权重。

3.为偏置。

4.f为激活函数

5.a为输出。

可见，一个神经元的功能是求得输入向量与权重向量的內积后，经一个非线性传递函数得到一个标量结果。

三、单层神经网络

最简单的神经网络形式。

四、感知机（两层神经网络）

感知机由两层神经网络组成，输入层接收外界输入信号传递给输出层。

 作用：把一个n维向量空间用一个超平面分割成两部分。

五、多层神经网络

多层神经网络就是由单层神经网络进行叠加之后得到的，所以就形成了层的概念，常见的多层神经网络有如下结构：

输入层（input layer)

输出层（output layer)

隐藏层（hidden layer)

 隐藏层可以有一层或多层。隐层的节点（神经元）数目不定，但数目越多神经网络的非线性越显著，从而神经网络的强健性更好。