人工智能学习总结_3

人工智能

七、神经网络

7.1 概述

（1）适用问题：用于处理更加复杂的输入和输出之间的非线性关系问题

（2）特点：

​ ① 可以用来拟合非常复杂的函数

（3）应用：图像分类、语音识别、机器翻译、自动驾驶

7.2 人工神经网络设计

（1）人工神经元：线性模型+激活函数

（2）人工神经网络设计的三方面

​ ① 神经元的激活规则：主要指神经元输入到输出之间的映射关系，一般为非线性函数。

​ ② 网络的拓扑结构：不同神经元间的连接关系

​ ③ 学习算法：通过训练数据来学习神经网络的参数

（3）网络结构：人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。

​ ① 前馈神经网络（全连接神经网络、多层感知器）：ReLU神经网络

• 各神经元分别属于不同层，层内无连接
• 相邻两层间神经元全部两两连接
• 整个网络中无反馈，信号从输入层向输出层单向传播

​ ② 卷积神经网络（CNN）：建模图像信息

卷积的计算

​ ③ 循环神经网络(RNN)：建模时序信息

​ ④ 反馈神经网络（FNN）：输出不仅与当前输入及权重有关，还和网络之前输入有关

​ ④ 图神经网络：建模社交网络、分子结构等

（4）自动微分、反向传播

7.3 激活函数

（1）深度线性网络：多层线性网络的堆叠

​ ① 单纯叠加网络层数无法得到一个比线性回归更加复杂的模型，所以必须在网络中添加非线性的元素，即激活函数。

（2）激活函数

​ ① 激活函数存在于线性层后，能有效避免多个线性层的无意义叠加

​ ② 激活函数是连续并可导（允许少数点上不可导）的非线性函数

（3）Logistic函数 / Sigmoid函数：

​ ① 在计算导数时容易出现离0点越远导数越小的问题，因而影响神将网络优化，故实际多用ReLU等其他激活函数。

​ ② 输出恒大于0，小于1。

（4）Tanh 函数：零中心化

（5）ReLU函数

7.4 神经网络的学习

（1）前馈神经网络的训练过程

​ ① 前向传播每一层的状态和激活值直到最后一层

​ ② 反向传播每一层的参数的偏导数

（蓝色是前向传播，红色是反向传播）

态和激活值直到最后一层

​ ② 反向传播每一层的参数的偏导数

（蓝色是前向传播，红色是反向传播）

​ ③ 更新参数