全文共3046字，預計學習時長
9分鐘
圖源：百家號
機器學習是人工智能領域的一個分支，它結合了神經網絡來創建一些人們日常使用的優秀軟件。
如果你使用百度查找的相關資料，則使用了百度的神經網絡，該神經網絡會根據給出的關鍵詞對相關度最高的網頁進行排名。如果你最近要買東西訪問過淘寶官網，那麼該網站推薦的所有產品都是由神經網絡管理的。
即便是現在，當使用手機時，也可能會遇到一種便利生活的神經網絡。神經網絡無所不在，它們以不同的工作方式完成各式各樣的任務。
所以……“神經網絡”是什麼呢？
圖源：wemedia.ifeng.com
“神經”只是大腦的另一種表達。
“所以這是一個大腦網絡？”
本質上，完全如此！神經網絡是人類最強大的工具——大腦的簡化。它使用的神經元都是通過權重（下圖中的線條）相互連接的。神經元被賦予一些數值輸入，然後乘以權重。權重是神經網絡的核心，通過將權重轉換為特定的數值，就可以處理任何輸入並獲得期望的輸出。
神經網絡只是一種處理數據的方式。而數據本身在此處很關鍵。通過使用各種神經網絡處理數據……就可以構建功能強大的工具來完成一些神奇的事情！
這其中，有很多神經網絡具有神奇的特性，下面小芯將介紹幾種最著名的：
1. 感知器——最古老最簡單的神經網絡
感知器是最古老的神經網絡，其發明最早可追溯到1958年。它同時也是最簡單的神經網絡。弗蘭克·羅森布拉特（Frank Rosenblatt）發明的感知機為神經網絡的基本原理奠定了基礎。
這種神經網絡只有一個神經元，因此非常簡單。它可接收n個輸入量並將其乘以相應的權重。感知器僅計算一個輸出，因其只能處理單個複雜性級別的數據，複雜性程度低，因而發展受限。
用例：
· 瞭解人腦
· 擴展用於更高級別的神經網絡
2. 多層感知器——什麼是層？
多層感知器（MLP）本質上仍是感知器，但複雜性通過層的設計而得到增強。在MLP中，有三種類型的層：
輸入層：
顧名思義，輸入層指輸入到神經網絡的數據。輸入數據必須是數值。也就是說非數值的內容需要轉化為數值。在將數據輸入到神經網絡之前對其進行操作的過程稱為數據處理，通常情況下，數據處理過程是製作機器學習模型最耗時的部分。
隱藏層：
隱藏層由神經網絡中的大多數神經元組成，是處理數據以獲得所需輸出的核心部分。數據將穿過隱藏層，並由許多權重和偏差調節。之所以稱其為“隱藏”層，是因為它與輸入和輸出層不同，神經網絡的開發人員並不會直接使用這些層。
輸出層：
輸出層是在神經網絡中處理數據的最終產物，可以表示不同的事物。通常情況下，輸出層由神經元組成，每個神經元代表一個對象，而附加的數值則表示該對象是某特定對象的概率。其他情況下，輸出層可能是一個神經元的輸出，當給定某些輸入時，它就是特定值。
核心思想是：輸出層是神經網絡傳遞數據的結果，也是人們試圖達到的目標。
前饋神經網絡
此原理是，將數值數據傳送到神經網絡中，然後繼續進行大量運算。讓數據不斷往下傳遞，沒有反饋。為了操作正確，使任何給定輸入始終產生所需輸出，就需要進行訓練。訓練本質上是尋找產生最佳結果的方法，並將其應用於神經網絡。
用例：
- 計算機視覺
- 自然語言處理
- 其他神經網絡的基礎
3. 卷積神經網絡——卷積層？
卷積神經網絡仍使用與多層感知器（MLP）相同的原理，但值得注意的是，它運用了卷積層，卷積神經網絡通常應用於圖像和視頻。
重要的是要認識到圖像只是一個數字網格，每個數字都表示著某個像素的強度。知道了圖像是一個數字網格，就可以通過操作這些數字來找到圖像的模式和特徵。卷積層通過使用濾波器來實現這一點。
濾波器
濾波器是定義為N x M（N和/M表示網格大小）的數字矩陣，它與原始圖像相乘多次。要了解實際情況，請參閱動畫。
濾波器在網格上移動併產生新值。這些值可以代表圖像中的邊緣或線條。例如，使用以下濾波器：
水平濾波器會試圖消除垂直中心以外的值。它通過使用負值去除邊緣，使用0消除中心以使像素變為中性。如果過濾成功，將可以從新值中看到一條水平線。對於正好反過來的垂直濾波器也是如此。
在將濾波器應用於整個圖像之後，就可以使用池化層輕鬆地提取濾波器識別的主要特徵。在訓練模型時，確定濾波器應包含的數字。找到最佳數值以使任務達到最佳結果。
池化層
如聞其名，池化層的作用就是將濾波器識別到的最重要特徵“彙集”在一起，這是通過使用多種方法完成的。
一種流行的方式是“最大池化”（Max Pooling），在這個方法中，對於圖像的每個被濾部分，取最大的數目並存儲到一個新的矩陣中。它的基本功能是識別最重要特徵並將其壓縮為一個圖像，以便將其處理為多層感知器模型（MLP）。此過程也稱為數據採樣，使用此過程會產生令人滿意的結果。
用例
· 圖像分類
· 計算機視覺
· 查找圖像特徵/模式
圖源：www.crazyiter.com
4. 遞歸神經網絡——時態數據？
神經網絡分析的數據並不完全侷限於靜態數據。諸如圖像、數字和幀等都是可以分析的數據。然而，依賴於數據本身的過去實例來預測未來，這是時態數據的示例。股市數據、時間序列數據、腦電波數據等數據總是通過使用因變量的過去實例進行分析。
目前為止，已提及的神經網絡種類無法處理其他狀態的數據，接下來要講的遞歸神經網絡（RNN）才是解決方案。
狀態矩陣
遞歸神經網絡（RNN）通過將最後的輸出存儲於自身內存中來記憶數據的先前狀態。這些稱為狀態矩陣。循環神經網絡的工作原理與多層感知器（MLP）中的普通層類似，但它使用狀態矩陣來計算新的輸出。使用以前輸出和數據狀態本質上考慮了最終的輸出數據，這對於股市預測和時間序列預測等應用至關重要。
長短期記憶網絡
長短期記憶網絡（LSTM）進一步擴展了將狀態矩陣保存為兩種狀態的想法——長期狀態和短期狀態。如果狀態持續存在於模型輸出中，它將被保存為長期狀態矩陣，並將在考慮新數據時佔據更大權重。
對於連續數據查找模式的應用，LSTM系統非常高效且處於股市指標預測方法的最前沿。
用例
- 自然語言處理
- 股市預測
- 基於時間序列的數據預測
5. 自動編碼器——以壓縮方式呈現數據
大多數神經網絡接收數據並做出某些類型的決策。自動編碼器則有著不同的任務，即找出一種能壓縮數據但不損質量的方法。
在傳統的機器學習中，貼在數據上的標籤與神經網絡的輸出目標並不一樣。而在自動編碼器中，標籤相當於輸入。
因此，在自動編碼器的體系結構中，輸入和輸出層是相同的。隱藏層小於輸入和輸出層（就節點而言），被稱為“瓶頸”。由於瓶頸較小，因此它被迫尋找一種壓縮原始數據並將其放回輸出層的方法。這種壓縮方式一般比常規方法更好，因為它仍然可以保持數據的高質量。
用例：
· 主要用於以較小的壓縮方式呈現大量數據。
圖源：Unsplash
現在，你是不是瞭解到了很多神經網絡的知識了？
紙上得來終覺淺，絕知此事要躬行。
立刻行動起來，現在就去將這些神經網絡落實到自己的課題實踐中去吧~
我們一起分享AI學習與發展的乾貨
閱讀更多 讀芯術 的文章
