什么是神经网络？

神经网络（NN）是受人脑中相互连接的神经元结构启发而构建的计算模型。它们是当今许多机器学习算法的基础，使计算机能够基于数据识别模式并做出决策。

神经网络详解

神经网络是一系列旨在通过模拟人脑工作方式来识别数据中模式与关系的算法。我们来逐步拆解：

从本质上讲，神经网络由“神经元”构成，这些基本单元类似于脑细胞。神经元接收输入、进行处理并产生输出。它们被组织成不同的层：接收数据的输入层，用于处理数据的多个隐藏层，以及给出最终决策或预测的输出层。

这些神经元中可调的参数称为权重和偏置。随着网络的学习，这些权重和偏置会被调整，从而决定输入信号的强度。这一调整过程类似于网络不断演化的“知识库”。

在训练开始之前，会对一些被称为超参数的设置进行调整。它们决定了学习速度、训练时长等因素，类似于为机器设定最佳运行状态。

在训练阶段，网络接收数据，基于当前的“知识”（权重和偏置）做出预测，然后评估预测的准确性。评估使用损失函数，它就像网络的“记分员”。在做出预测后，损失函数会计算预测与真实结果的差距，训练的主要目标就是最小化这种“损失”或误差。

反向传播在这一学习过程中发挥关键作用。一旦误差或损失确定，反向传播会帮助调整权重和偏置以减少误差。它充当反馈机制，找出对误差贡献最大的神经元，并对其进行优化，以便未来预测更准确。

为了高效地调整权重和偏置，会采用“梯度下降”等技术。可以把它想象成在丘陵地形中寻找最低点，您每一步都朝着更低的方向前进，这条路径就是由梯度下降指引的。

最后，神经网络的一个重要组成部分是激活函数。该函数根据加权输入之和和偏置来决定某个神经元是否被激活。

为了形象化整个过程，可以想象一个被训练来识别手写数字的神经网络。输入层接收手写数字的图像，图像在各层中被处理，网络不断做出预测并完善其“认知”，直到能够自信地识别出数字。

神经网络用于哪些场景？

神经网络的应用范围非常广泛，例如：

• 图像识别。 Facebook 等平台使用神经网络完成照片打标等任务。通过分析数以百万计的图像，这些网络能够以惊人的准确率识别并标注照片中的人物。
• 语音识别。 Siri 和 Alexa 等虚拟助手利用神经网络理解并处理语音指令。通过在包含多种语言、口音和方言的海量人类语音数据上进行训练，它们可以实时理解并回应用户请求。
• 医疗诊断。 在医疗领域，神经网络正在革新诊断方式。通过分析医学影像，它们能够检测异常、肿瘤或疾病，往往比人类专家更为准确。这在疾病早期检测中尤为宝贵，可能挽救生命。
• 金融预测。 神经网络分析海量金融数据，从股价到全球经济指标，以预测市场走势，帮助投资者做出更明智的决策。

尽管神经网络功能强大，但并非万能。它们的优势在于处理涉及大型数据集、需要模式识别或预测能力的复杂任务。然而，对于更简单的任务或数据有限的问题，传统算法可能更合适。比如，如果您要对一小组数字进行排序或在一个很短的列表中查找特定项，使用基础算法会比搭建神经网络更高效、更快捷。

神经网络的类型

为特定任务与应用设计的神经网络有多种类型，例如：

• 前馈神经网络。 最为直观，信息只沿一个方向传播。
• 循环神经网络（RNN）。 具有循环结构以保留信息。
• 卷积神经网络（CNN）。 主要用于图像识别任务。
• 径向基函数神经网络。 用于函数逼近问题。

神经网络的优势是什么？

• 适应性强。 能够学习并做出独立决策。
• 并行处理。 大型网络可同时处理多个输入。
• 容错性。 即使网络的一部分失效，整体仍可运作。

神经网络的局限性是什么？

• 对数据依赖强。 需要大量数据才能有效运行。
• 不透明性。 常被称为“黑箱”，因为很难理解其如何得出特定决策。
• 过拟合。 有时会记住数据而非真正学到规律。

神经网络 vs 深度学习

虽然所有深度学习模型都是神经网络，但并非所有神经网络都是深度学习。深度学习指具有三层或更多层的神经网络。这些神经网络试图模拟人脑的行为，从而能够从海量数据中“学习”。单层神经网络可以进行近似预测，但增加更多隐藏层有助于提升准确性。欢迎在另一篇文章中查看我们的深度学习与机器学习对比指南。

构建神经网络项目的新手指南

多年前，我上了一门深度学习课程，第一次接触到神经网络。我学会了只用几行代码就能构建自己的图像分类器，并惊讶地看到这些算法能够准确地对图像进行分类。

如今情况已有所不同，借助TensorFlow和PyTorch等深度学习框架，初学者也能更轻松地构建最先进的深度神经网络模型。构建强大的 AI 已不再需要博士学位。

以下是构建一个用于猫狗照片分类的简单卷积神经网络的步骤：

1. 从 Kaggle 获取带标注的猫狗图像数据集。
2. 使用Keras作为深度学习框架。我认为它比 PyTorch 更易于初学者理解。
3. 导入 Keras、scikit-learn 和 Matplotlib 等数据可视化库。
4. 使用 Keras 的工具加载并预处理图像。
5. 可视化数据——图像、标签、分布等。
6. 通过调整尺寸、旋转、翻转等方式扩增数据。
7. 在 Keras 中构建一个卷积神经网络（CNN）架构。从简单版本开始。
8. 通过设置损失函数、优化器和监控指标来编译模型。
9. 训练模型若干轮（epoch），使其拟合数据。
10. 在测试集上评估模型准确率。
11. 如有需要，使用 ResNet 等预训练模型或增加层数以提升准确率。
12. 保存并导出训练好的 Keras 模型。

类似 TorchVision、Transformers 和 TensorFlow 这样的高层框架，使得即便是初学者也能轻松构建图像分类器。只需一个小型带标注数据集和 Google Colab，您就可以开始构建计算机视觉类的 AI 应用。

想要进一步了解 AI和机器学习？请查看以下资源：

• Python 深度学习入门课程
• 深度神经网络入门教程
• ChatGPT 学习课程
• 什么是机器学习？