Einfache Einführung in das neuronale Netz

Der Begriff Tiefes Lernen bezieht sich auf das Training neuronaler Netze. Das "Tief" bedeutet sehr große neuronale Netze. Was ist also ein neuronales Netz?63;Nachdem du diesen Artikel gelesen hast, wirst du eine sehr direkte Vorstellung davon haben.

Lass uns mit einem Beispiel für die Vorhersage des Hauspreises beginnen. Weil der Hauspreis jetzt so teuer ist, früh...8Vor einigen Jahren sagten meine Eltern, sie würden mir in Peking ein Haus kaufen, ich dachte, ich könnte mich nicht auf meine Familie verlassen, also lehnte ich es ab, jetzt überlege ich mir, ich war ein Idiot, hätte ich damals gekauft, dann bräuchte ich nicht mehr Blogs zu schreiben~~

Man sagt, der Hauspreis wird von den Chinesen selbst getrieben, aber abgesehen von der Spekulation gibt es auch einige tatsächliche Faktoren, die den Hauspreis beeinflussen. Indem wir diese Faktoren analysieren, können wir den Hauspreis vorhersehen. Angenommen, du hast einen Datensatz (Fläche und Preis von sechs Häusern). Du möchtest einen Weg finden (d.h. eine Funktion zu konstruieren), um den Preis aus der Fläche vorherzusagen. Wenn du mit der linearen Regression vertraut bist (es ist auch in Ordnung, wenn du es nicht bist, nimm es als eine mathematische Theorie), dann kannst du nach dieser Theorie eine Linie in der Nähe der tatsächlichen Daten zeichnen, wie das rote Lineal im obigen Bild, die blauen kleinen Kreise in der Nähe repräsentieren die Punkte von Fläche und Preis der sechs Häuser, d.h. die Preise für eine bestimmte Fläche anhand dieser Linie (dieser Funktion) zu finden, dann ist es außer einigen Fehlern fast genau. Außerdem wissen wir, dass der Preis niemals negativ sein kann, es sei denn, du bist eine kriminelle Bande, die andere Leute Häuser besetzt und sie noch Geld dafür bezahlen lässt. Daher ist der Preis 0, wenn die Fläche 0 ist, daher muss die obige Linie eine Kurve machen. Du kannst diese Funktion, die den Preis aus der Fläche vorhersieht, als einen sehr einfachen neuronale Netzwerk betrachten (das ist fast das einfachste neuronale Netzwerk). Wie im rechten Bild, der gelbe Kreis ist ein Neuron, die Größe des Hauses ist x, der als Eingabe in dieses Neuron geht, und dann gibt das Neuron den Hauspreis y aus.

In der Literatur über neuronale Netze siehst du oft diese Funktion (das rote Lineal oben). Diese Funktion ist für eine bestimmte Zeit 0 und dann plötzlich nach oben gesprungen. Sie wird als lineare Zelle Funktion (ReLU, was für rectified linear unit steht) bezeichnet. Es ist in Ordnung, wenn du es jetzt noch nicht verstehst, du wirst es später verstehen!

Der Beispiel, bei dem die Fläche zur Vorhersage des Hauspreises verwendet wird, ist ein winziger, nicht mehr winziger Neuron, und durch das Stapeln mehrerer solcher Neuronen kann ein größeres neuronales Netzwerk gebildet werden. Man kann einen Neuronen als Baustein betrachten, und man kann ein größeres neuronales Netzwerk erhalten, indem man viele solche Bausteine übereinanderstapelt. Im Beispiel des Hauspreises beeinflussen nicht nur die Fläche die Hauspreise, sondern auch Faktoren wie die Anzahl der Schlafzimmer. Neben der Fläche bestimmt auch die Anzahl der Schlafzimmer, ob das Haus für Ihre Familie geeignet ist, z.B. wenn es in der Familie Katzen gibt.3Personen oder5Person. Eine andere Faktor ist die Postleitzahl. Die Postleitzahl repräsentiert hier die geografische Lage, und wenn die Lage belebt ist, ist das Leben bequemer. Dann gibt es noch einen Faktor wie die Qualitätsstufe der Schule, in China spricht man von Schulbezirkswohnungen. Diese Faktoren nennen wir auch Merkmale. Basierend auf der Fläche und der Anzahl der Schlafzimmer kann berechnet werden, ob die Größe des Haushalts geeignet ist. Basierend auf der Postleitzahl kann die Lebensbequemlichkeit geschätzt werden, einschließlich der Bequemlichkeit zur Schule. Letztendlich kann die Qualitätsstufe der Schule die Bildungsqualität bewerten. Beim Kauf eines Hauses denken die Menschen über diese vier Faktoren nach, da sie den Hauspreis bestimmen, sowie über die üble Spekulation, diesen Faktor werden wir hier einmal ausklammern. Daher repräsentiert x in diesem Beispiel4Ein Eingang, y ist der zu vorherzusagende Preis. Das linke Bild oben zeigt unseren analytischen Prozess, wir analysieren, welche Eingaben das Matching der Haushaltsgröße, die Lebensbequemlichkeit und die Bildungsqualität beeinflussen, und gelangen so zu unserem inneren Preis. Ein erstaunliches Merkmal des neuronalen Netzes ist, dass wir nur die Eingaben x (Fläche, Anzahl der Schlafzimmer ...) und das gewünschte Ergebnis y (Hauspreis) sowie die für das Training verwendeten tatsächlichen Daten (Fläche, Anzahl der Schlafzimmer ... und Preis der sechs Häuser oben) bereitstellen müssen, dann werden die Zwischenphasen der Haushaltsgröße, der Lebensbequemlichkeit und der Bildungsqualität vom neuronalen Netzwerk selbst basierend auf den tatsächlichen Daten trainiert, wie im rechten Bild gezeigt. Wenn Sie wieder den7Nachdem die Merkmale des Hauses (Fläche, Postleitzahl ...) ermittelt wurden, gibt das neuronale Netzwerk basierend auf den vorab trainierten Zwischenteilen Ihnen den endgültigen Hauspreis. Dies bedeutet, dass der interne Prozess des neuronalen Netzes den analytischen Prozess des Menschen ersetzt. Lassen Sie uns noch einen anderen Beispiel nennen, zum Beispiel wenn wir kleinen Kindern die Katze beibringen, nehmen wir einige Weißkatzen und sagen wir, das ist eine Katze, und nehmen wir dann einige Schwarzkatzen und sagen wir, das ist auch eine Katze, und dann nehmen wir einige Hunde und sagen wir, das ist keine Katze, und schließlich nehmen wir einige Schattkatzen und fragen wir ihn, und er wird Ihnen sagen, das ist eine Katze, aber wie weiß er das? Wie sieht dieser Prozess der internen Bewertung aus? Wir wissen es nicht. Dies ist der Grund, warum man sagt, dass neuronale Netze furchtbar sind - ihr Arbeitsprinzip ähnelt dem des Menschen zu sehr - wir wissen nicht, wie sie intern funktionieren, d.h. wir wissen nicht, wie sie denken, genau wie wir nicht wissen, wie ein Kind genau zwischen Katzen und Hunden unterscheiden kann. Musk sagte, dass künstliche Intelligenz gefährlich ist und dass sie die Menschheit zerstören könnte, was nicht ohne Grund ist.

上面所说的中间部分的神经元被称为隐藏神经元。你可能已经注意到，在右图所示的神经网络中，每个隐藏神经元都获取了所有特征输入。在左图中，是我们人类的分析过程，我们分析出面积和卧室数这两个特征与家庭大小有关，而在右图中，我们将所有特征都提供给每个隐藏神经元，让神经网络自行分析哪些特征会从哪些方面影响房价。也许神经网络的分析比人类更高效、更全面。之前看到过一个新闻，Facebook的神经网络自己发明了一种沟通方式，因为它认为用人类的语言沟通起来效率太低~~

看完这篇文章后，你应该还是对神经网络比较模糊…… 这就对了，如果仅凭一篇文章就让你懂了神经网络，那你就是天才。

以上就是本文关于简单了解什么是神经网络的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站：

Python与人工神经网络：使用神经网络识别手写图像介绍

70行Java代码实现深度神经网络算法分享

如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！

声明：本文内容来源于网络，版权归原作者所有。内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：notice#oldtoolbag.com（在发送邮件时，请将#替换为@进行举报，并提供相关证据。一经查实，本站将立即删除涉嫌侵权的内容。）