北京建设集团网站首页,全中文网站开发,静态企业网站模板下载,网络规划设计师 高级一、什么是神经网络#xff1f;
神经网络又称人工神经网络#xff0c;是一种基于人脑功能模型的计算架构#xff0c;因此称之为“神经”。神经网络由一组称为“节点”的处理单元组成。这些节点相互传递数据#xff0c;就像大脑中的神经元相互传递电脉冲一样。
神经网络在…一、什么是神经网络
神经网络又称人工神经网络是一种基于人脑功能模型的计算架构因此称之为“神经”。神经网络由一组称为“节点”的处理单元组成。这些节点相互传递数据就像大脑中的神经元相互传递电脉冲一样。
神经网络在机器学习中使用机器学习是指一种无需明确指令即可学习的计算机程序。具体来说神经网络在深度学习中使用深度学习是一种先进的机器学习类型无需人工干预即可从无标签数据中得出结论。例如在神经网络基础上建立的深度学习模型在获得足够的训练数据后就能识别出照片中从未见过的物品。 神经网络使多种类型的人工智能 (AI) 成为可能。大型语言模型 (LLM)如 ChatGPT、AI 图像生成器如 DALL-E和预测式 AI 模型都在一定程度上依赖于神经网络。
二、神经网络如何工作
神经网络由一系列节点组成。节点至少分布在三个层上。这三个层分别是
输入层“隐藏”层输出层
神经网络至少必须包含这三个层。除了输入层和输出层神经网络还可以有多个隐藏层。
无论属于哪一层每个节点都会对从上一层节点或输入层接收到的输入执行某种处理任务或功能。基本上每个节点都包含一个数学公式公式中每个变量的权重各不相同。如果将该数学公式应用于输入产生的输出超过了某个阈值该节点就会将数据传递给神经网络的下一层。如果输出低于阈值则不会将数据传递给下一层。
想象一下Acme 公司有一个等级森严的会计部。Acme 会计部经理级员工批准低于 1,000 美元的支出董事批准低于 10,000 美元的支出首席财务官批准任何超过 10,000 美元的支出。Acme 公司其他部门的员工在提交费用时首先要提交给会计经理。任何超过 1000 美元的支出都会转给董事而低于 1000 美元的支出则留在经理一级以此类推。
Acme 公司会计部的运作方式有点像神经网络。员工提交费用报告就好比是神经网络的输入层。每个经理和总监就好比是神经网络中的一个节点。
就像一位会计经理在将费用报告交给会计主管之前可能会请另一位经理协助解读报告一样神经网络也可以用多种方式构建。节点可进行多向通信。
三、有哪些类型的神经网络
神经网络的节点和层数没有限制这些节点几乎能够以任何方式进行交互。正因如此神经网络的类型也在不断增加。不过它们大致可以分为以下几类
浅层神经网络通常只有一个隐藏层深度神经网络有多个隐藏层
与深度神经网络相比浅层神经网络速度更快所需的处理能力更低但无法像深度神经网络那样执行大量复杂任务。
下面是目前可能使用的神经网络类型的不完整列表
感知器神经网络是一种简单的浅层网络有一个输入层和一个输出层。 多层感知器神经网络增加了感知器网络的复杂性并包含一个隐藏层。 前馈神经网络只允许其节点将信息传递给正向节点。 循环神经网络可以倒退允许某些节点的输出影响之前节点的输入。 模块化神经网络将两个或更多个神经网络组合在一起以获得输出结果。 径向基函数神经网络节点使用一种称为径向基函数的特殊数学函数。 液体状态机神经网络的特点是节点之间是随机连接的。 残差神经网络通过一个称为身份映射的过程将早期层的输出与后期层的输出结合起来从而使数据向前跳转。 四、什么是 Transformer 神经网络
Transformer 神经网络之所以值得强调是因为它们在当今广泛使用的 AI 模型中占据了极其重要的位置。
Transformer 模型于 2017 年首次提出它是一种神经网络使用一种名为“自注意力机制”的技术来考虑序列中元素的上下文而不仅仅是元素本身。通过自注意力机制它们甚至可以检测到数据集各部分之间的微妙联系。
这种能力使它们非常适合分析举例来说文本的句子和段落而不仅仅是单个单词和短语。在 Transformer 模型被开发出来之前处理文本的 AI 模型在它们处理到句子末尾时往往会“忘记”了句子的开头结果是结合的短语和观点对于人类读者来说是没有意义。然而Transformer 模型能够以更自然的方式处理和生成人类语言。
Transformer 模型是生成式 AI 不可或缺的组成部分特别是可以根据人类的任意提示生成文本的 LLM。
五、神经网络的历史
神经网络的历史其实很悠久。神经网络的概念可以追溯到 1943 年的一篇数学论文该论文对大脑的工作方式进行了建模。在 20 世纪 50 年代和 60 年代计算机科学家开始尝试构建简单的神经网络但这一概念最终失宠。在 20 世纪 80 年代这个概念再次兴起到 20 世纪 90 年代神经网络在 AI 研究中得到广泛应用。
不过直到超高速处理能力、海量数据存储能力和计算资源出现后神经网络才得以发展到今天的地步能够模仿甚至超越人类的认知能力。这一领域仍在不断发展目前使用的最重要的神经网络类型之一 Transformer 可以追溯到 2017 年。
