请选择 进入手机版 | 继续访问电脑版
楼主: 迁客骚人
4459 3

[其他] 神经网络是人工智能算法的核心:神经网络算法简介 [推广有奖]

  • 0关注
  • 7粉丝

博士生

57%

还不是VIP/贵宾

-

威望
0
论坛币
322 个
通用积分
3.0600
学术水平
3 点
热心指数
6 点
信用等级
3 点
经验
12808 点
帖子
119
精华
0
在线时间
246 小时
注册时间
2012-3-14
最后登录
2023-10-30

迁客骚人 在职认证  发表于 2017-10-23 14:11:42 |显示全部楼层 |坛友微信交流群

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币
神经网络是人工智能算法的核心:神经网络算法简介

人工神经网络是模拟生物神经网络,由众多的神经元可调的连接权值连接而成,具有大规模并行处理、分布式信息存储、良好的组织学习能力特点,并通过一定学习准则进行学习,进而建立相关模型,解决一定工作。

人工神经网络按照其信息处理单元的连接方式,可分为前馈网络和反馈网络。

1)前馈神经网络:人工神经网络可以分为若干层,各层按照信号传输的先后顺序依次排列,第i层的“神经元”只接受第i-1 层“神经元”发出的信号。而各神经元之间没有反馈。输入层结点与输出层结点称为“可见层”,其他中间层则称为“隐层”。

2)反馈神经网络:反馈神经网络较前馈神经网络,某些网络节点在接收输入的信息外,还接收其他节点的反馈,或是自身节点的反馈。

一般来看,跨层连接的结点越多,网络越是可靠;层数越多,网络的效率越低;反馈越多,网络的学习能力越强;结点个数越多,网络的记忆能力就越好。基于人工神经网络的信息处理特点,当前人工智能领域中,人工神经网络算法一般采用反馈神经网络的信息处理单元的连接方式。

在人工神经网络的学习算法设计方面,一般对人工神经网络进行大量的数据训练和调整,不断修正各层级节点参数,通过不断学习使得人工神经网络具有初步的自适应能力和自我组织能力和较强的泛化能力,进而较快适应周边环境要求,基于其众多优点,人工神经网络已然成为人工智能算法的核心。


深度学习算法作为人工神经网络当前最新算法,其实质是通过很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而提升分类或预测的准确性。较传统神经网络算法采用的backpropagation训练机制来说,深度学习采用了layer-wise (利用无监督学习进行逐层初始化)的训练机制,克服了传统人工神经网络算法的缺点——梯度扩散问题如果采用back propagation的机制,对于一个deepnetwork(7层以上),残差传播到最前面的层已经变得太小)。

传统BP算法基本思想:通过误差反向传播,寻找误差原因,调整参数。数据是通过直线进行往返传播:1)正向传播输入样本->输入层->各隐层(处理)->输出层。若输出层实际输出与期望输出(教师信号)不符,则转入误差反向传播过程;2)误差反向传播输出误差(某种形式)->隐层(逐层)->输入层。其主要目的是通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值(其过程,是一个权值调整的过程,权值调整的过程,也就是网络的学习训练过程)。

深度学习算法基本思想:假设有一系统S,共有n层(分别为𝑆1、𝑆2、……、𝑆𝑛),该系统输入端用I表示,输出端用O表示。若输出端O值等于输入端I值,即输入I 经过该系统S 若干层传递后,未出现信号损耗现象。在深度学习算法中,输入端I经过每层𝑆𝑖 信号都未出现损耗(或小幅损耗),并通过系统参数调整,以另外形式表示原来信号所表示的内容,从而实现对输入信息的分级表达

深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。因此,“深度模型”是手段,“特征学习”是目的。区别于传统的浅层学习,深度学习的不同在于:1)强调了模型结构的深度,通常有5层、6层,甚至10多层的隐层节点;2)明确突出了特征学习的重要性,也就是说,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而使分类或预测更加容易。与人工规则构造特征的方法相比,利用大数据来学习特征,更能够刻画数据的丰富内在信息。


深度学习算法海量数据训练过程:

1)使用自下而上的非监督学习

用无标签数据训练第一层,训练时先学习第一层的参数(该层可视为是得到一个使得输出和输入差别最小的三层神经网络的隐层),由于模型容量的限制以及稀疏性约束,使得得到的模型能够学习到数据本身的结构,从而得到比输入更具有表示能力的特征;在学习得到第n-1层后,将n-1 层的输出作为第n 层的输入,训练第n 层,由此分别得到各层的参数。


[/table]

2)自上而下的监督学习

基于第1)所得到的各层参数,进一步通过带标签的数据去训练模型,对整个系统的多层级参数进行微调。而通过监督学习的微调有两种形式,一种是调整分类器,另一种是通过标签样本调整整个系统,当样本数据足够多时,使用第二种方法效果更好。


[table=98%]

通过1)、2)步骤的不断学习训练,最终建立起高效的学习模型。

人工神经网络算法按照当前学习模式的不同划分,大致可以分为监督学习算法和非监督学习算法,其中监督学习算法中的DNN、RNN、CNN 等最新人工智能算法已被百度、谷歌、科大讯飞、IBM等众多公司用于解决实际问题。

总之,作为人工智能的核心算法,人工神经网络算法已在智慧医疗、智慧家居、金融科技、智能驾驶、语音识别、图像识别、云计算等诸多人工智能领域得到广泛应用。


二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝


特拉福club 发表于 2017-10-25 22:17:41 来自手机 |显示全部楼层 |坛友微信交流群
迁客骚人 发表于 2017-10-23 14:11
神经网络是人工智能算法的核心:神经网络算法简介人工神经网络是模拟生物神经网络,由众多的神经元可调的连 ...
根据谷歌的新一代阿尔法狗算法表现,似乎不用海量训练了

使用道具

迁客骚人 在职认证  发表于 2017-10-26 10:02:35 来自手机 |显示全部楼层 |坛友微信交流群
特拉福club 发表于 2017-10-25 22:17
根据谷歌的新一代阿尔法狗算法表现,似乎不用海量训练了
它相当于自我学习,自我博弈,也是要海量训练的

使用道具

特拉福club 发表于 2017-10-29 13:42:41 |显示全部楼层 |坛友微信交流群
迁客骚人 发表于 2017-10-26 10:02
它相当于自我学习,自我博弈,也是要海量训练的
准确的说是不用海量指导训练,即不用海量历史数据

使用道具

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加JingGuanBbs
拉您进交流群

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2024-3-29 07:50