发帖
雷达卡
前馈神经网络的简化架构在单独使用神经网络来实现适度或凝聚力来处理更大的合成输出时具有有用的优势。
今天，我们将深入研究前馈神经网络的架构，并了解它是如何工作的。所以，让我们潜入水中吧！
前馈神经网络：简要说明
前馈神经网络是人工神经网络，其中节点连接不形成循环。它们是受生物学启发的算法，具有多个神经元，例如分层排列的单元。神经网络中的单元是相互连接的，称为节点。数据在输入点进入网络，在到达输出之前渗透到每一层。但是，连接的强度或重量不同。连接的权重提供了有关网络的重要信息。
前馈神经网络也称为多层神经元网络 (MLN)。神经元网络称为前馈，因为信息仅在网络中通过输入节点以正向流动。没有反馈连接，使网络输出反馈到网络中而不会流出。
这些网络是通过简单模型（称为 sigmoid 神经元）的组合来描述的。sigmoid 神经元是前馈神经网络的基础。
这就是为什么前馈网络比传统模型具有优势的原因：
仅当数据可以线性分离时，诸如感知器之类的传统模型才采用事实输入并呈现布尔输出。这意味着正负点应位于边界的两侧。
选择分离正负点的最佳决策也相对容易。
sigmoid 神经元模型的输出比感知器的输出更平滑。
前馈神经网络克服了感知器等传统模型的局限性，可以使用 sigmoid 神经元有效地处理非线性数据。
随着卷积神经网络和递归神经网络在计算机科学中提供尖端性能，它们在广泛的领域中得到了广泛的应用，以解决复杂的决策问题。
前馈神经网络的组成部分
前馈神经网络包括以下组件：
输入层
输出层
隐藏层
神经元权重
神经元
激活功能
输入层：该层包括接收输入并将其传输到网络中不同层的神经元。输入层的神经元个数必须与数据集中特征或属性的个数相同。
输出层：该层是预测特征，取决于正在构建的模型类型。
隐藏层：隐藏层位于输入层和输出层之间。隐藏层的数量取决于模型的类型。隐藏层有几个神经元，它们在传输之前对输入进行转换。网络中的权重不断更新，使其易于预测。
神经元权重：两个神经元之间连接的强度或大小称为权重。输入权重可以作为线性回归中的系数进行比较。权重的值通常很小，在 0 到 1 的范围内。
神经元：前馈网络具有人工神经元，是生物神经元的一种适应。人工神经元是神经网络的组成部分。神经元以两种方式工作：首先，它们确定加权输入的总和，其次，它们启动激活过程以对总和进行归一化。
激活函数可以是线性的也可以是非线性的。权重与神经元的每个输入有关。网络在学习阶段研究这些权重。
激活函数：这是神经元输出的决策中心。神经元根据激活函数最终确定线性或非线性决策。它可以防止由于通过多层而导致的级联效应导致神经元输出的扩大。三个最重要的激活函数是 sigmoid、Tanh 和 Rectified Linear Unit (ReLu)。
Sigmoid：它将输入值映射在 0 到 1 的范围内。
Tanh：它将输入值映射在 -1 和 1 之间。
整流线性单位：此功能只允许正值流过。负值映射为 0。
前馈神经网络如何运作？
数据通过神经网络的网格传输。网络的每一层都充当过滤器并过滤异常值和其他已知组件，然后生成最终输出。
步骤 1：一组输入通过输入层进入网络，并乘以它们的权重。
第 2 步：添加每个值以接收加权输入的总和。如果总和值超过指定的限制（通常为 0），则输出通常稳定在 1。如果该值低于阈值（指定的限制），则结果将为 -1。
第 3 步：单层感知器使用机器学习的概念进行分类。它是前馈神经网络的关键模型。
步骤 4：然后可以借助 delta 规则将神经网络的输出与其预测值进行比较，从而促进网络通过训练优化其权重以获得更准确的输出值。这种训练和学习的过程会产生梯度下降。
第 5 步：在多层网络中，更新权重是类似的，更具体地定义为反向传播。在这里，每个隐藏层都被修改以与最后一层生成的输出值保持一致。
前馈神经网络中的操作阶段
在这个网络上的操作可以分为两个阶段：
第一：学习阶段
这是网络操作的第一阶段，在此期间调整网络中的权重。修改权重以确保输出单元具有最大值。
前馈网络使用监督学习算法，增强网络不仅知道输入模式，还知道模式所属的类别。图案在通过其他层直到输出层时被修改。输出层中存在的单元将属于不同的类别。
输出值将与正确类别下的模式理想值进行比较。具有正确类别的输出单元将比其他单元具有最大值。根据此修改连接权重，以确保具有正确类别的单元作为输入重新进入网络。这称为反向传播。
学习阶段的长度取决于神经网络的大小、观察模式的数量、时期的数量、最小化器的容差水平和计算时间（取决于计算机速度）。
第二：分类阶段
在分类阶段，网络的权重保持不变（固定）。输入模式将在每一层中进行修改，直到它到达输出层。分类是基于选择与具有最大值的输出单元相关的类别来完成的。必须选择前馈网络以及模式列表来执行分类过程。分类阶段比学习阶段快得多。
前馈神经网络的优势
前馈神经网络的简化架构为机器学习提供了杠杆作用。
一系列前馈网络可以通过一个轻微的中介独立运行，以确保适度。
该网络需要多个神经元来执行复杂的任务。
非线性数据的处理和处理可以通过神经网络轻松完成，而神经网络在感知器和 sigmoid 神经元中非常复杂。
神经网络缓解了令人痛苦的决策边界问题。
神经网络的架构可以根据数据有不同的类型。例如，卷积神经网络 (CNN) 在图像处理方面表现出色，而循环神经网络 (RNN) 则针对文本和语音处理进行了高度优化。
神经网络需要大量的计算和硬件性能来处理大型数据集，因此，它们需要图形处理单元 (GPU)。Kaggle Notebooks 和 Google Collab Notebooks 是市场上广泛使用的两种流行 GPU。
概括
鉴于我们只触及了深度学习技术的皮毛，它在未来几年内具有巨大的创新潜力。自然，深度学习的未来前景非常广阔。
事实上，随着人工智能在各个领域的新兴作用，神经网络近年来变得越来越重要。由于深度学习模型能够模仿人类的推理能力，通过接触现实生活中的例子来克服错误，因此它们在解决问题方面具有巨大的优势，并且正在见证不断增长的需求。
从图像和语言处理应用到预测、语音和人脸识别、语言翻译和路线检测，人工神经网络正被用于各个行业来解决复杂问题。
相关帖子DA内容精选
|
京公网安备 11010802022788号
