srcmini本文概述
神经网络或人工神经网络(ANN)的建模与人脑相同。人脑有思想去思考和分析特定情况下的任何任务。
但是机器怎么会这样想呢？为此目的, 设计了一个人工大脑, 称为神经网络。神经网络由许多感知器组成。
Perceptron是单层神经网络。它是二进制分类器, 是监督学习的一部分。人工神经网络中生物神经元的简单模型称为感知器。
人工神经元具有输入和输出。
感知器模型的数学表示。
人脑具有用于传递信息的神经元, 类似地, 神经网络也具有执行相同任务的节点。节点是数学函数。
神经网络基于生物神经网络的结构和功能。神经网络本身根据输入和输出进行更改或学习。流经系统的信息由于其学习和改进特性而影响了人工神经网络的结构。
神经网络也被定义为：
由几个简单的, 高度互连的处理元素组成的计算系统, 该处理元素通过其对外部输入的动态状态响应来处理信息。
神经网络可以由多个感知器组成。如果有三层-
- 输入层：输入层是数据中的实际值。
- 隐藏层：隐藏层位于输入和输出层之间, 其中三层或更多层是深层网络。
- 输出层：这是输出的最终估计。
人工神经网络的类型
神经网络的功能与人类神经系统的功能相同。有几种类型的神经网络。这些网络实现基于确定输出所需的参数集和数学运算。
前馈神经网络(人工神经元)
FNN是ANN的最纯粹形式, 其中输入和数据仅在一个方向上传播。数据仅沿正向流动；这就是为什么它被称为前馈神经网络。数据通过输入节点, 然后从输出节点退出。节点不是周期性连接的。它不需要具有隐藏层。在FNN中, 不需要多层。它也可以具有单层。
它具有通过使用分类激活函数实现的前传播波。所有其他类型的神经网络都使用反向传播, 但FNN不能。在FNN中, 计算产品输入和重量的总和, 然后将其输入到输出中。人脸识别和计算机视觉等技术均使用FNN。
重拨基函数神经网络
RBFNN找到一个点到中心的距离, 并认为它可以平稳工作。 RBF神经网络有两层。在内层中, 特征与径向基函数结合在一起。功能部件提供了考虑使用的输出。除了欧几里得之外, 还可以使用其他措施。
重拨基础功能
- 我们定义一个受体t。
- 在受体周围绘制了正面图。
- 对于RBF, 通常使用高斯函数。因此, 我们可以定义径向距离r = ||| X-t ||。
重拨功能=Φ(r)= exp(-r2 /2σ2), 其中σ> 0
该神经网络用于电源恢复系统。在当前时代, 电力系统的尺寸和复杂性已经增加。这两个因素都会增加重大停电的风险。停电后, 需要尽快, 可靠地恢复电源。
多层感知器
多层感知器具有三层或更多层。利用该网络可以对无法线性分离的数据进行分类。该网络是完全连接的网络, 这意味着每个单个节点都与下一层中的所有其他节点连接。多层感知器中使用了非线性激活函数。它的输入和输出层节点被连接为有向图。这是一种深度学习方法, 因此在训练网络时会使用反向传播。它广泛应用于语音识别和机器翻译技术。
卷积神经网络
在图像分类和图像识别中, 卷积神经网络起着至关重要的作用, 或者我们可以说它是这些的主要类别。人脸识别, 物体检测等是CNN广泛使用的一些领域。它类似于FNN, 神经元中有可学习的权重和偏差。
CNN将图像作为输入, 并根据特定类别(例如狗, 猫, 狮子, 老虎等)进行分类和处理。众所周知, 计算机将图像视为像素, 并且取决于图像的分辨率。基于图像分辨率, 它将看到h * w * d, 其中h =高度w =宽度, d =尺寸。例如, RGB图像是矩阵的6 * 6 * 3阵列, 而灰度图像是图案的4 * 4 * 3阵列。
在CNN中, 每个输入图像都将经过一系列卷积层以及池化, 完全连接的层, 滤镜(也称为内核)。并应用Soft-max函数对概率值为0和1的对象进行分类。
递归神经网络
递归神经网络基于预测。在该神经网络中, 特定层的输出被保存并反馈给输入。这将有助于预测该层的结果。在递归神经网络中, 以与FNN的层相同的方式形成第一层, 在随后的层中, 递归神经网络过程开始。
输入和输出都彼此独立, 但是在某些情况下, 需要预测句子的下一个单词。
然后, 它将取决于句子的前一个单词。 RNN以其主要和最重要的功能(即”隐藏状态”)而闻名。隐藏状态会记住有关序列的信息。
RNN有一个存储器来存储计算后的结果。 RNN在每个输入上使用相同的参数来对所有隐藏层或数据执行相同的任务以产生输出。与其他神经网络不同, RNN参数复杂度更低。
模块化神经网络
在模块化神经网络中, 几个不同的网络在功能上是独立的。在MNN中, 任务分为子任务, 并由多个系统执行。在计算过程中, 网络不会直接相互通信。所有接口都独立工作以实现输出。组合网络比固定和无限制的网络更强大。中介负责生产每个系统, 对其进行处理以产生最终输出。
序列到序列网络
它由两个递归神经网络组成。在此, 编码器处理输入, 解码器处理输出。编码器和解码器可以使用相同或不同的参数。
序列到序列模型应用于聊天机器人, 机器翻译和问题解答系统。
人工神经网络的组成
神经元
神经元类似于生物学神经元。神经元不过是激活功能。人工神经元或激活功能在执行分类任务时具有”打开”特性。我们可以说什么时候输入高于特定值；输出应更改状态, 即0到1, -1到1等。S型函数是人工神经网络中常用的激活函数。
F(Z)= 1/1 + EXP(-Z)
节点数
生物神经元以层次网络连接, 某些神经元的输出是其他神经元的输入。这些网络表示为节点的连接层。每个节点获取多个加权输入, 并将这些输入应用于神经元, 以求和这些输入的总和并生成输出。
偏压
在神经网络中, 我们根据给定的输入(x)预测输出(y)。我们创建一个模型(mx + c), 以帮助我们预测输出。当我们训练模型时, 它会找到常数m和c本身的适当值。
常数c是偏差。偏差以最适合给定数据的方式帮助模型。可以说偏见赋予了最佳表现的自由。
算法
神经网络需要算法。生物神经元具有自我理解和工作能力, 但是人工神经元将如何以相同方式工作？为此, 有必要训练我们的人工神经元网络。为此, 使用了许多算法。每种算法都有不同的工作方式。
训练我们的人工神经网络有五种算法
- 梯度下降
- 牛顿法
- 共轭梯度
- 像牛顿
- 莱文贝格·马夸特
梯度下降
梯度下降算法也称为最速下降算法。这是最简单的算法, 需要来自梯度向量的信息。 GD算法是一阶方法。
为简单起见, 我们表示ƒ(w(i))=ƒ(i)和∇ƒ(w(i))= g(i)。该方法从w(0)开始, 沿训练方向d(i)=-g(i)从w(i)移至w(i + 1), 直到满足停止准则为止。
因此, 梯度下降方法按以下方式进行迭代。
w(i + 1)= w(i)-g(i)n(i)。
牛顿法
牛顿法是一种二阶算法。它利用了Hessian矩阵。它的主要任务是通过使用损失函数的二阶导数找到更好的训练方向。
牛顿法迭代如下。
w(i + 1)= w(i)-H(i)-1.g(i)对于i = 0, 1 …..
在此, H(i)-1.g(i)被称为牛顿步。参数的更改可能会朝着最大而不是最小的方向发展。下面是用牛顿法训练神经网络的示意图。通过获得训练方向和合适的训练速率来进行参数的改进。
共轭梯度
共轭梯度在梯度下降和牛顿法之间起作用。共轭梯度避免了牛顿方法要求的与评估, Hessian矩阵求逆和存储相关的信息要求。
在CG算法中, 搜索是在共轭方向进行的, 共轭方向的收敛速度比梯度下降方向快。训练是在关于Hessian矩阵的共轭方向上进行的。通过计算共轭训练方向, 然后计算该方向上的合适训练率, 可以改善参数。
拟牛顿法
牛顿法的应用在计算方面是昂贵的。要评估Hessian矩阵, 需要执行许多操作。为了解决该缺点, 开发了准牛顿法。也称为可变矩阵方法。在算法的每次迭代中, 它会建立近似的反粗麻布, 而不是直接计算粗麻布。有关损失函数的一阶导数的信息用于计算近似值。
通过获得准牛顿训练方向来进行参数的改进, 然后找到令人满意的训练率。
莱文贝格·马夸特
Levenberg Marquardt也被称为阻尼最小二乘法。该算法专门设计用于损失函数。该算法不计算Hessian矩阵。它与雅可比矩阵和梯度向量一起使用。
在Levenberg Marquardt中, 第一步是找到损耗, 梯度和Hessian近似值, 然后调整饺子参数。
人工神经网络的优缺点
人工神经网络的优势
- 它将信息存储在整个网络而不是数据库中。
- 在训练了神经网络后, 即使信息不完整, 数据也可能给出结果。
- 如果一个或多个单元的ANN损坏, 它不会阻止ANN生成输出。
- ANN具有分布式内存, 有助于生成所需的输出。
- 人工神经网络可以使机器变得可学习。
- ANN具有并行处理功能, 这意味着它可以同时执行多个任务。
人工神经网络的缺点
- 根据其结构, 需要具有并行处理能力的处理器。
- 网络无法解释的行为是人工神经网络的主要问题。 ANN产生探测解决方案时不提供任何线索。
- 对于确定人工神经网络的结构, 没有提供特定的规则。
- 没有有关网络持续时间的信息。
- 向网络显示问题太典型了。
评论前必须登录！
注册