当下互联网圈最火的要数"人工智能"了,而人工智能是基于神经网络的,这里简单描述一下"神经网络"
人的神经元
![3203841-6c6ca13c513055eb.png](https://i-blog.csdnimg.cn/blog_migrate/fff2d974e8bb06a5ae7d9af423246bc3.png)
人的神经元
简化版神经元
![3203841-02afa571a164a46b.png](https://i-blog.csdnimg.cn/blog_migrate/664dc42a75483c927d1c699f44b5dfe2.png)
简化版
上图中的圆圈表示一个"感知器",它可以接受多个输入,产出一个结果,结果只有两种情况(是)与(否)
举个例子,今天有去看电影的想法,但是否出行,受3个因素影响
- 有没有可以约的人
- 有没有适合出行的天气
- 有没有评分较高的电影
权重
三个因素对出行的影响是不一样的,影响越大,权重越高
- 有没有可以约的人(权重为5)
- 有没有适合出行的天气(权重为8)
- 有没有评分较高的电影(权重为10)
阈值(下面的13既是阈值)
规则:如果符合条件的因素大于13则出行(结果为是),小于13不出行(结果为否)
复杂神经网络
![3203841-32bb5cd2d1fc96ed.png](https://i-blog.csdnimg.cn/blog_migrate/2030b0768154659760a428225c242393.png)
多个感知器组成的多层网络
多层网络需要多个神经元,层层判断,才能得出最后的结果
![3203841-89a288416c01e90d.png](https://i-blog.csdnimg.cn/blog_migrate/6ecfca3cd6ffa0f0e12caf57943269e4.png)
递归神经网络
递归神经网络,则是结果之间相互影响
"神经网络"如何变聪明?
简单的说就是,接收大量的数据进行训练,自身不停的修正"阈值"与"权重",让输出的结果更符合人们的预期.
比如解决某个地点,共享单车的投放量的问题,
我们可以把"单位时间人流量","附近公交站数量","已投放单车的数量","共享单车的使用率"等收集到的数据,用来训练神经网络,理想情况下,神经网络会自动调整各输入条件的"阈值"与"权重",以后,只要输入特定地点的相关数据,神经网络就会自动为我们计算出,该地点"共享单车"的投放量