作者:手机用户2502905937_275 | 来源:互联网 | 2024-11-13 17:35
本文内容由作者原创,转载请注明出处:http://blog.csdn.net/jiangjunshow
总目录
实现人工智能的方法有很多,其中最热门的是通过深度学习来训练神经网络。深度学习指的是训练大规模的神经网络,这里的“深”表示网络层数多、结构复杂。那么,神经网络究竟是什么?阅读本文后,你将对此有更直观的理解。
我们以房价预测为例来说明神经网络的概念。假设你有一个包含六个房屋面积和价格的数据集,你希望通过面积预测房价。如果你熟悉线性回归(不熟悉也没关系,可以简单理解为一种数学模型),可以通过在数据点附近绘制一条直线来预测房价,如上图中的红线。这条直线附近的蓝点表示六个房子的面积和价格。此外,房价不可能是负数,因此当面积为零时,价格也为零,所以上面的直线在原点处需要拐弯。
我们可以将这个简单的面积预测模型看作一个基本的神经元网络。如上图右侧所示,黄色的圆圈代表一个神经元,房屋面积作为输入(x),经过神经元处理后输出房价(y)。在神经网络的相关文献中,这种函数被称为线性单元函数(ReLU,全称为Rectified Linear Unit)。虽然现在可能不太理解,但随着学习的深入,你会逐渐明白其含义。
上面的面积预测模型是一个非常简单的单神经元网络。通过将多个这样的神经元堆叠在一起,可以构建更复杂的神经网络。以房价预测为例,影响房价的因素不仅仅是面积,还包括卧室数量、邮政编码和学校质量等级等。这些因素共同决定了房价。神经网络的神奇之处在于,我们只需提供输入(x,如面积、卧室数量等)和期望的输出(y,如房价),并用真实数据进行训练,神经网络就能自动学习中间的复杂关系。例如,当你输入第七个房子的特征时,神经网络会根据之前的学习结果给出最终的房价预测。
神经网络中的中间部分称为隐藏层,每个隐藏神经元都会接收所有输入特征。与人类手动分析不同,神经网络会自动分析哪些特征对最终结果影响最大。有时,神经网络的分析甚至比人类更高效、更全面。例如,有报道称Facebook的神经网络曾发明了一种新的通信方式,因为它认为人类语言的效率太低。
读完本文后,你可能对神经网络仍有一些模糊的认识,这是正常的。如果一篇文章就能让你完全理解神经网络,那你就是天才了。对于大多数人来说,继续阅读后续文章,逐步深入学习,才能真正掌握神经网络的精髓。
本文介绍的神经网络属于监督学习类型,目前市场上大多数产生经济效益的神经网络都是监督学习类型的。下一篇文章将详细介绍监督学习的概念。
关注我的微信公众号,新文章发布后我会第一时间通知大家!