![TB1SX2uLOrpK1RjSZFhXXXSdXXa.jpg](http://gw.alicdn.com/tfscom/tuitui/TB1SX2uLOrpK1RjSZFhXXXSdXXa.jpg)
本文为 AI 研习社编译的技术博客,原标题 :
Bayesian Neural Network Series Post 2: Background Knowledge
作者 | Kumar Shridhar
翻译 | 微白o
校对 | 酱番梨 审核 | 约翰逊·李加薪 整理 | 立鱼王
原文链接:
https://medium.com/neuralspace/bayesian-neural-network-series-post-2-background-knowledge-fdec6ac62d43
![TB1vIuYLSzqK1RjSZPcXXbTepXa.jpg](http://gw.alicdn.com/tfscom/tuitui/TB1vIuYLSzqK1RjSZPcXXbTepXa.jpg)
这是贝叶斯卷积网络系列八篇中的第二篇文章。
如需查看第一篇文章,请点击:贝叶斯神经网络(系列)第一篇
让我们将贝叶斯神经网络分解成贝叶斯和神经网络来开始。
贝叶斯推断是概率论和统计学机器学习中的重要组成部分。 它是基于由著名统计学家托马斯贝叶斯给出的贝叶斯定理。 在贝叶斯推断中,随着更多证据或信息的出现,假设概率得到更新。
另一方面,神经网络可以被认为是模仿人类大脑的端到端系统或一组算法(不是每个人都相信,但它是基础),并试图在数据集中学习复杂的表示来输出结果。
神经网络
神经网络上已有非常好的教程。 我会试着简要介绍一下神经网络与大脑的类比,并着重解释我们以后要研究的概率论机器学习部分。
大脑的类比
感知器是由著名心理学家罗森布拉特(Rosenblatt)设想的描述神经元如何在我们的大脑中发挥作用的数学模型。 根据罗森布拉特的说法,神经元采用一组二进制输入(附近的神经元),将每个输入乘以连续值权重(每个附近神经元的突触强度),并且如果 sum足够大,则将这些加权输入的总和阈值输出为1,否则为0(同理神经元要么有效,要么无效)。
![TB15n2yLFzqK1RjSZFvXXcB7VXa.jpg](http://gw.alicdn.com/tfscom/tuitui/TB15n2yLFzqK1RjSZFvXXcB7VXa.jpg)
生物激励神经网络(源地址:http://cs231n.github.io/neural-networks-1/)
人工神经网络
受到生物神经系统的启发,人工神经网络(ANN)的结构被设计成像人脑一样处理信息。 大量深度互连的处理单元(神经元)协同工作使神经网络能够解决复杂的问题。 就像人类通过实例学习一样,神经网络也是如此。 在生物系统中学习涉及对突触连接的调整,其类似于神经网络中的权重更新。
神经网络由三层组成:输入层为模型提供数据,隐藏层学习如何表示,输出层输出结果或预测。 神经网络可以被认为是一种端到端的系统,其可以在非常复杂的、不能由人教给机器的数据中找到一种特有的模式。