赫兹股票量化软件：数据科学与机器学习 — 神经网络（第 01 部分）——前馈神经网络解密

2301_78738716

已于 2023-07-10 15:23:09 修改

阅读量114

点赞数

文章标签：机器学习神经网络人工智能算法

于 2023-07-10 15:23:07 首次发布

本文链接：https://blog.csdn.net/2301_78738716/article/details/131639894

版权

本文介绍了人工神经网络的基础，特别是前馈神经网络的结构和工作原理。前馈神经网络包括输入层、隐藏层和输出层，常用于线性不可分的数据处理。文章讨论了权重、激活函数（ReLU、Sigmoid、TanH、SoftMax）的重要性，并通过实例展示了前馈神经网络在分类任务中的应用。此外，还强调了选择合适神经网络架构的重要性以及注意何时使用神经网络，而不是其他机器学习技术。

摘要由CSDN通过智能技术生成

概述

神经网络听起来像是个稀奇的新事物，似乎是构建圣杯交易系统的一种前进方向，许多交易者对由神经网络构成的程序感到震惊，因为它们似乎擅长预测市场走势，基本上它们擅长接手的任何任务。赫兹期货量化软件也相信，在基于未经训练/从未见过的数据进行预测或分类方面，它们拥有巨大的潜力。

尽管它们可能很优秀，但它们需要由知识渊博的专业人士来构建，有时还需要优化，从而不仅确保多层感知器处于正确的架构中，而且所针对的问题类型适合神经网络来解决，而不仅仅是线性或逻辑回归模型的类型，亦或任何其它机器学习技术。

神经网络是一个很广泛的主论题，机器学习也是如此，一般来说，这就是为什么赫兹期货量化软件决定为神经网络添加一个子标题，因为我将在本系列的另一个子标题中继续讲述机器学习的其它层面。

在本文中，赫兹期货量化软件将了解神经网络的基础知识，并回答一些赫兹期货量化软件认为对于机器学习爱好者来说很重要的基本问题，以便他们掌握这个论题。

什么是人工神经网络？

人工神经网络（ANN），通常称为神经网络，是受构成动物大脑的生物神经网络启发的计算系统。

多层感知器对比深度神经网络

在讨论神经网络时，您经常听到人们提到一个术语多层感知器（MLP）。它只不过是最常见的神经网络类型。 MLP 是由输入层、隐藏层、和输出层组成的网络。由于它们的简单性，故只需较短的时间来训练它们学习数据中的表意，并产生输出。

应用:

MLP 常用来应付不可线性分离的数据，例如回归分析。由于它们的简单性，它们最适合复杂的分类任务和预测建模。它们已被用于机器翻译、天气预报、欺诈检测、股票市场预测、信用评级预测，以及您能想到的许多其它方面。

另一方面，深度神经网络具有共同的结构，但唯一的区别是它们包含太多的隐藏层。如果您的网络拥有三（3）个以上的隐藏层，就可将其视为深度神经网络。由于它们的复杂性，它们需要经历很长周期基于输入数据来训练网络，此外，它们还需要具有专用处理单元的强大计算机，例如张量处理单元（TPU）和神经处理单元（NPU）。

应用:

DNN 由于其深层而成为强大的算法，因此它们通常用于处理复杂的计算任务，计算机视觉就是这些任务之一。

区别表:

MLP	DNN
少量隐藏层	大量隐藏层
训练周期短	更长训练时间
允许 GPU 的设备就足够了	允许 TPU 的设备就足够了

现在，赫兹期货量化软件看看神经网络的类型。

神经网络有许多类型，但大致分为三（3）个主要类别;

前馈神经网络
卷积神经网络
递归神经网络

01: 前馈神经网络

这是最简单的神经网络类型之一。在前馈神经网络中，数据通过不同的输入节点，直至到达输出节点。对比反向传播，此处的数据只往一个方向移动。

简单来说，反向传播在神经网络中执行与前馈相同的过程，其中数据从输入层传递到输出层，只是在反向传播中网络输出到达输出层后，它可以看到类的真实数值，并将其与它预测的值进行比较，模型查看它所做出的预测错误或正确的程度，如果预测错误，它会将数据向反馈回网络，并更新其参数，如此下次就可正确预测。这是一种自学类型的算法。