什么是深度神经网络？

先说概念 ： 深度神经网络（DNN）是一种机器学习技术，通过训练，计算机可以完成传统编程技术难以完成的任务。神经网络算法的灵感来源于人脑及其功能：就像我们人类的大脑一样，它的工作原理不仅是遵循预先设定的一系列规则，而且还能根据先前的迭代和经验预测解决方案并得出结论。

什么是神经网络架构？

神经网络由多层节点组成，这些节点接收来自其他层的输入并产生输出，直至得出最终结果。神经网络可以有任意数量的隐藏层：网络中的节点层数越多，复杂度就越高。以下是不同的神经网络架构：

1.传统的神经网络，通常由 2 或 3 个隐藏层组成；
2.深度学习网络，最多可有 150 个隐藏层；

神经网络和深度神经网络有什么区别？

深度神经网络是一个比 "简单 "神经系统复杂得多的系统。神经网络就好比一盘棋，根据算法行事：根据对手的棋步和行动，提出不同的战术建议。这种神经网络将受限于程序员的输入：

• 棋子如何移动；
• 棋盘的大小；
• 针对不同情况采取不同策略；

超越输入数据并能从以往经验中学习的神经网络成为深度神经网络

例如，在同一台计算机上，你可以训练一个神经网络，然后用它与其他人对弈，让它在对弈中学习。如果神经网络能从不同的棋手身上学习，那么即使是国际象棋大师，也很难甚至根本不可能战胜深度神经网络。

深度神经网络可以识别语音命令、识别声音、识别声音和图形，其功能远远超过神经网络。深度学习网络利用 "大数据 "和算法来解决问题，这些深度神经网络可以在有限或没有人工输入的情况下解决问题。

如何可视化深度神经网络的工作？

看一个例子最能理解深度神经网络的工作过程。想象一下，你有成百上千张图片，其中有些图片里有狗，你决定编写一个计算机程序来识别图片中的狗。

你有两个选择。你可以编写一个明确识别狗的程序，也可以编写一个 "学习 "如何识别狗的程序。

你不明智地决定尝试前者。

使用传统编程技术时间长、难度大，而且结果不一定准确

为了识别狗的图片，你需要使用 "如果 "和 "那么 "语句创建一个软件程序，每当你识别出毛发、软耳和尾巴等狗的特征时，你看到狗的可能性就会增加。然而，这种神经系统在很多层面上都很难实现：

例如，如果一簇像素像一条尾巴，就会增加您看到的是一只狗的可能性。你的深度神经网络需要识别出与狗相似属性相对应的像素群。即使你能做到这一点，你的算法也会遇到一些问题：

• 许多拍摄的物体都有一些类似狗的属性，尤其是类似动物的照片。您需要添加规则；
• 有时，属性是存在的，但被掩盖了。你的算法无法捕捉到它们；
• 有时，只有当其他属性都存在时，属性才具有重要性。这就需要更多的决策规则；

分类失败。你意识到自己无法手动识别整套属性，更不用说设计处理所有这些特殊情况所需的所有规则了。

你明智地放弃了，决定尝试后一种方法。使用神经网络，甚至更好的是深度神经网络。

深度学习模型可为您节省编码时间，并提供更好的结果

神经网络之所以如此命名，是因为这种编程方法与大脑的工作方式有相似之处。

就像大脑一样，神经网络算法使用的是由神经元或节点组成的网络。和大脑一样，这些神经元也是离散的功能（或者说是小机器），它们接受输入并产生输出。这些节点分层排列，一层神经元的输出成为下一层神经元的输入，直到网络外层的神经元产生最终结果。

因此，就像大脑一样，每一层神经元都接受非常有限的输入，并产生非常有限的输出。第一层神经元（或输入层）接收输入，最后一层神经元（或输出层）输出结果。

称这种算法为 "神经网络 "是否准确？

当然，人脑远比神经网络复杂和强大。将算法命名为 "深度神经网络 "是一种品牌营销策略，但它可能会让人们对这些技术所能达到的效果产生不切实际的期望。尽管如此，还是有人试图利用非常复杂的神经网络来重新设计大脑，希望通过这样做能够在机器人开发中复制出类似人类的一般智能。那么，神经网络和机器学习技术如何帮助我们解决狗的识别问题呢？

深度神经网络算法无需编程，就能识别重要属性并处理所有特殊情况，而不是手动定义类狗属性。

深度神经网络如何运行？

具体做法如下

输入层上的每个神经元都从图像中接收一点信息作为输入，然后随机加权（在 0 到 1 之间），判断该信息是否暗示着一只狗。低权重（小于 0.5）意味着该信息与狗相关联的可能性较小，而高权重则意味着该信息与狗相关联的可能性较大。这种多层神经网络方法被称为深度学习。神经网络和深度学习是实现计算机理解的非常强大的技术。

深度神经网络由多层节点组成，其行为类似于我们大脑中的神经元

因此，为了继续深度神经网络，这些神经元的权重会作为输入输入到其他神经元层，而其他神经元层也会随机分配权重，并将其作为输入传递给网络中更多的神经元。这一过程一直持续到神经元输出层给出二进制判断为止。如果传递给它们的权重的平均值大于 0.5，那么它就是一只狗，否则就不是。神经元在多层节点之间的连接和激活正是深度神经网络应用的强大之处。

深度神经网络如何知道自己是否得出了正确答案？

此时的相关问题是：深度神经网络是否猜对了，猜对了或猜错了会发生什么？神经网络如何知道自己是否猜对了？

它知道的一种方法是，如果你进行一项极其耗时的分类任务，根据照片中是否有狗，给所有照片贴上 "狗 "或 "非狗 "的标签。神经网络只需查看标签，就能知道它是否正确识别了狗。

当然，我们并不关心它是否在一张狗的照片上回答对了 "是否有狗 "的问题。我们感兴趣的是，它是否在每张照片上都答对了这个问题，或者至少找出它在评估照片中是否有狗时的准确率。

上面只是对神经网络的部分概念分析，明天我会更新后面的文章，以增强对神经网络的理解，感兴趣的朋友可以看一下神经网络方面的课程实战----------神经网络实战