深度理解机器学习90-神经网络架构

神经网络

深度学习是一种遵循与机器学习相同原则的方法，但它更准确和有效。深度学习系统利用人工神经网络，人工神经网络本身就是计算模型。因此，基本上，神经网络是深度学习方法的一部分，但它本身不是深度学习方法。它们是通过深度学习方法整合的框架。

人工神经网络是基于一个受人脑中发现的生物神经网络启发的框架。这些神经网络由节点组成，这些节点使网络能够从图像、文本、现实生活中的物体和其他事物中学习，从而能够执行任务并准确预测事物。

这些层将输入分解成几个抽象层次。因此，深度学习模式能够更好地学习和理解输入，无论是图像、文本还是其他形式的输入，这有助于它像人类思维那样做出决策和预测事物。

神经网络架构

神经网络架构指的是构成神经网络的构件。虽然有几种不同类型的神经网络，但其基本结构和基础保持不变。该架构包括：·层·节点·边·偏置·激活函数

神经网络中存在的层如下：

·输入层

这是由输入神经网络的输入数据组成的层。这是一个必须要有的层，因为每个神经网络都需要输入数据来学习和执行操作，才能生成输出。这一层在神经网络中只能出现一次。每个输入节点都连接到前一层中的每个节点。输入数据的变量或特性称为特征。目标输出取决于这些特征。

·隐藏层

这是进行实际计算的层。它在输入层之后，因为它作用于输入层提供的输入，而在输出层之前，因为它产生输出层提供的输出。隐藏层由被称为“激活节点”的节点组成。每个节点都有一个激活函数，这是一个对激活节点接收的输入执行的数学函数，以生成输出。

·输出层

这是神经网络的最后一层，由提供所有处理和计算最终结果的节点组成。这也是一个必要层，因为神经网络必须基于输入数据产生输出。

节点

每个激活节点或神经元具有以下组成部分：·激活这是节点的当前状态，无论它是否处于活动状态。·阈值（可选）如果存在，这将根据加权和是高于还是低于该阈值来确定神经元是否被激活。·激活函数这是根据输入和加权和为激活节点计算新激活的方法。·输出函数这基于激活函数为特定激活节点生成输出。输入神经元没有这样的组件，因为它们不执行计算，也没有任何先前的神经元。同样，输出神经元没有这些成分，因为它们不执行计算，也没有进行中的神经元。

边

连接被称为边。通向激活节点的每条边都有自己的权重，这可以被视为一个节点对另一个节点的某种影响。权重可以是正数，也可以是负数。

偏置

偏置是一个节点，神经网络的每一层都有自己的偏置节点，输出层除外。因此，每层都有自己的偏置节点。偏置节点保存一个值，称为偏置。

激活函数

激活函数是神经网络隐藏层中激活节点的一部分。它们的目的是将非线性引入神经网络，这是非常重要的，因为没有它们，神经网络将只有线性函数，它们和线性回归模型之间没有区别。