人工智能入门-第一周

人工智能入门-第一周

神经网络

什么是神经网络？

神经网络（Neural Network）是一种模拟生物神经系统的计算模型，由大量相互连接的人工神经元组成。

这些神经元通过权重连接成多个层次，从而可以学习和处理复杂的非线性关系。

神经网络的基本结构

神经元通常包含三层：

1. 输入层（Input Layer）：接受外部输入数据，每一个输入对应一个神经元。
2. 隐藏层（Hidden Layers）：位于输入层和输出层之间，可以有一个或多个隐藏层，每一层的每一个神经元都接收前一层所有神经元的输出信号，并且通过激活函数进行非线性变换。
3. 输出层（Output Layer）：生成最终输出结果，每个输出对应一个神经元。

神经元

什么是神经元？

神经元（Neuron）是神经网络的基本构建单元，模拟了生物神经系统的神经细胞。每一个神经元接收其他神经元的输出信号，通过计算生成输出信号，并传递给下一个神经元或网络的输出层。

神经元的基本结构

典型的人工神经元包含以下部分：

1. 输入（Inputs）:
   1. 接收前一层神经元的输出，或者从神经网络的输入层直接获得原始数据
   2. 输入通常用向量表示，如\(x=\left[x_1,x_2,...,x_n\right]\)。
2. 权重（Weights）：
   1. 每一个输入连接都有一个权重，与输入信号进行加权求和。
   2. 权重用向量表示，如\(w=\left[w_1,w_2,...,w_n\right]\)。
3. 偏置（Bias）:
   1. 每个神经元还有一个偏置项（bias），用于调整加权和的输出
   2. 偏置通常表示为\(b\)。
4. 加权和（Weighted Sum）：
   1. 神经元对输入信号和权重进行加权求和，加上偏置项。
   2. 计算公式：\(z=w\bullet x+b\)
5. 激活函数（Activation Function）：
   1. 加权和通过激活函数进行非线性变换，生成神经元输出。
   2. 常见激活函数有Sigmoid，Tanh和ReLU
6. 输出（Output）:
   1. 激活函数的输出即为神经元的输出信号
   2. 输出可以作为下一层神经元的输入，或作为最终输出结果。

神经元工作流程

1. 接收输入信号：接收上一层神经元的输入或从输入层接收输入信号。
2. 加权求和：将输入信号与对应的权重相乘，然后求和，并加上偏置。
3. 激活函数：将加权和传递给激活函数，生成非线性输出。
4. 传递输出信号：将激活函数的输出传递给下一层神经元或输出层。

神经元的数学表示

一个神经元的数学表示如下

\(z=w\bullet x+b\)

\(a = \sigma(z)\)

其中\(z\)是加权和，\(w\)是权重向量，\(x\)是输入向量，\(b\)是偏置，\(\sigma\)是激活函数，\(a\)​是激活函数的输出。

单个神经元简易计算过程的示例代码

示例代码

激活函数

什么是激活函数？

激活函数（Activation Function）是神经网络中的一个重要组成部分。

主要作用是引入非线性变换，使神经网络能够学习和表示复杂的非线性关系。

激活函数通过将线性组合的输入信号转变为非线性输出，从而使得神经网络可以逼近任意复杂函数。

常见的激活函数

Sigmoid函数

• 特点：输出范围为 (0, 1)，常用于二分类问题的输出层。
• 优点：输出值在 (0, 1) 之间，适合处理概率问题。
• 缺点：容易导致梯度消失问题，特别是在深层网络中。

Tanh（双曲正切）函数

• 特点：输出范围为 (-1, 1)，常用于隐藏层。
• 优点：输出均值为0，相对于Sigmoid，梯度消失问题有所减缓。
• 缺点：仍然可能导致梯度消失问题。

ReLU（Rectified Linear Unit）函数

• 特点：输出范围为 [0, ∞)，常用于隐藏层。

• 优点：计算简单，不会出现梯度消失问题。

• 缺点：可能导致神经元“死亡”问题，即某些神经元可能永远不会被激活（输出为0）。

Leaky ReLU函数

特点：输出范围为 (-∞, ∞)。

优点：解决ReLU的“死亡”问题，通过引入一个很小的负斜率。

缺点：需要手动调整负斜率参数。

Softmax函数

• 特点：将输入向量转换为概率分布，常用于多分类问题的输出层。
• 优点：输出为概率分布，所有值之和为1。
• 缺点：计算量较大，特别是在大规模分类任务中。

激活函数简单使用代码

示例代码

全连接神经网络

什么是全连接神经网络？

全连接神经网络（Fully Connected Neural Network，FCNN）,是一种基础的神经网络模型。

特点是每一层中的每一个神经元都与下一层中的每一个神经元相连。

典型的神经网络训练过程

1. 生成标签数据
2. 将标签数据数值化
3. 将数值化后的标签数据标准化（一般用归一化），构成数据向量
4. 将权重矩阵与数据向量（+偏置）做矩阵乘法，得到结果向量
5. 将结果向量通过激活函数（Sigmod、Relu、Tanh）得到logits
6. 对logits做oftmax，得到概率分布
7. 如果预测错误，使用损失函数计算损失（LOSS）
8. 再通过求梯度等方法，使用损失去调整权重矩阵

PS

1. 神经网络的计算只有浮点数的加减乘除。

卷积神经网络