什么是深度神经网络？(二)

首先接着我们昨天的文章，来继续阐述神经网络的理论。

深度神经网络如何利用训练来学习？

神经网络通过数据的每次迭代学习，以提高其准确性

对于网络中所有神经元的给定权重集，神经网络将对所有照片进行猜测，然后确定其准确性。它得到正确结果的百分比是多少，例如，当狗出现在照片中时，它就说狗出现在照片中；它得到错误结果的次数是多少，当狗不在照片中时，它就说狗出现在照片中；或者当狗出现在照片中时，它就说狗不在照片中。这种显示人工智能算法准确度的方法对神经网络模型来说是至关重要的反馈。

在对所有照片运行一次后，它可以随机（或以其他方式）调整一些权重，然后再次进行猜测照片内容的整个过程。如果第二次运行的结果更好，它就会继续运行，而不会返回到上一组权重。如果第二次运行的结果较差，它可能会恢复到前一组权重，然后尝试对这些权重进行不同的修改。

这个过程将一直持续下去，直到神经网络能够很好地识别照片中的狗（希望如此）。

当算法能够准确识别狗时，就可以说它已经收敛。它已经成功地 "训练 "出了识别狗的能力。

神经网络有哪些不同类型？

卷积神经网络

卷积神经网络（CNN）是一种人工智能，旨在处理或学习大型数据集。卷积神经网络是专门描述这种网络或一般人工智能技术的新造术语。

CNN 是一种功能强大的图像识别人工智能工具，它不仅能利用深度学习执行生成任务，还能执行描述任务。生成任务的例子包括自动裁剪、撰写标题、摄像、油印和图像叠加。卷积神经网络包含所谓的卷积层。这些层中的每个神经元只处理视野中一小部分的信息。每个神经元的输入都以类似校验的方式排列起来，从而生成一个特征图。

人工神经网络

人工神经网络（ANN）是由许多不同深度或层的感知器组成的网络，可以理解为逻辑回归。人工神经网络通常被称为前馈神经网络，因为输入只在前向进行处理：一层接收输入并以线性方式发送输出。

人工神经网络也被称为通用函数近似器。纯粹的神经网络算法，如人工神经网络和可作为深度学习实现的映射函数，可以让计算机学习任何函数。通用近似之所以重要，原因之一在于激活函数。激活函数在学习输入和输出之间的任何复杂关系时，将非线性特性引入网络。它有助于不同类型的网络相互学习。

深度神经网络如何随着时间的推移不断改进？

一种想象算法的方法是，将每个神经元想象成一种确定性测试。每个神经元都经过校准，以增加或减少照片中物体是狗这一最终判断，而不是对所有这些 "如果-那么 "语句进行编码以识别狗。这就好比判断（如是否是狗）被分割成大量相互关联的判断，这些判断共同组成了最终判断。

当然，首要目标是在可能的情况下实现趋同。在合理的时间内，最好是在很短的时间内，实现这一目标也是一个重要目标。
深度学习算法的学习过程让人类难以理解
有趣的是，让神经网络识别图片中狗的逻辑并不是人类所能理解的。深度学习模型具有隐藏逻辑，本质上是一个由隐藏层节点组成的黑盒子，创建了自己的深度网络。尽管如此，还是有人尝试将神经网络背后的逻辑可视化地呈现在图像识别任务中。在其他情况下，无法看到算法在幕后做了什么，深度学习方法仍然是隐藏的。
神经网络和机器学习现在很流行，但其中许多算法在 50 年前就已为人所知

为什么深度神经网络在各行各业越来越受欢迎？

神经网络现在比刚发明时更受欢迎，其中一个主要原因是处理能力比以前更快、更便宜。计算能力是实现快速收敛的关键。另一个原因是，数据现在无处不在，这就提高了能够利用数据的算法的价值，如chatbots ，用于商业领域。

先进的神经网络需要强大的处理能力和大量数据

深度学习神经网络是一种对数据和处理器要求极高的技术，可以实现程序员使用编程技术无法实现的结果。它们非常适合解决某些问题，在这些问题中，数据无处不在，而且很容易对结果进行分类或排序。

如果没有数十万甚至数百万张狗的照片，就不可能对算法进行训练。只有在拥有大量数据的情况下，这些技术才能发挥作用。这一点相当明显，因为所有的特殊情况都不可能在一组 1000 张照片中体现出来。

神经网络可面对结构化数据或非结构化数据

上述例子中的一个问题是，给所有照片贴标签需要大量的人工工作。对于算法来说，使用以结构化方式标注的数据更容易。使用结构化数据的神经网络机器学习被称为监督学习。

这就引出了一个核心问题：有没有可能避免所有的标记工作？这将是一件好事，因为你不仅可以避免大量的手工工作，而且互联网上的大部分数据都是非结构化的，即没有经过仔细标注或结构化。

神经网络能否处理非结构化数据？

处理非结构化数据的人工神经网络和机器学习被称为无监督学习。当然，这是机器学习的圣杯，更类似于人类的学习方式。不过，即使是机器的无监督学习，也需要比人类多得多的数据来 “学习”，而且机器无法轻易地推断出它们所训练过的示例之外的示例。
许多深度学习模型试图重现人脑的工作过程
有些人认为，可以通过重新设计大脑来开发这类算法，使其开始接近人类水平的 “理解”。他们认为，可以利用复杂的大脑扫描技术，让我们了解大脑神经网络的实际运作方式。通过复制这些设计和模式，我们可以复制出人类水平的智能。

虽然这些技术无疑是独创的，而且非常有用，特别是在有大量数据集的情况下，但很难想象这种简单的算法会成为具有高度创造性的类人智能的基础。

**这就是关于深度神经网络的一知半解，有感兴趣和想了解的同学们可以去学习一下基础课程和实战演练教程，链接放在这里了------课程