基于神经网络的智能系统
2020-04-27 11:32:47 2 举报AI智能生成
登录查看完整内容
基于神经网络的智能系统
作者其他创作
大纲/内容
基于神经网络的智能系统
神经元与神经网络
人脑含800亿个神经元
神经元
树突
为神经元的输入通道，将自其他神经元所接受的电信号传送至细胞本体。
轴突和突触
将处理过的信号传递到下一个神经元
人工神经元
从生物模型到数学模型
人工神经网络
模仿神经元在人脑中的结构连接
前馈型神经网络
单向多层结构，用于图像识别、检测分割
反馈型神经网络
用于语音、文本处理、问答系统
神经网络训练算法
以误差为主导的反向传播算法
通过反馈机制，反馈越多，结果越准确
ImageNet图像分类算法
神经网络分类结果已经优于人类
手写数字识别
MNIST数据集准备
电脑“看到”样本图像时其实是得到了一系列的像素点的灰度值数据。
输入输出
每个样本图像的输入都是一组784个数值
向量就是多个数字按顺序排成一组，数字称为向量的维数
每个标签数据中，把数字n将表示成一个只有在第n维度数字为1的10维向量
识别结构
经过训练，AI准确率为93.13%
神经网络构成
输入层
输出层
隐藏层
卷积层
作用：提取图像的二维特征，通过不同的算子可以检测图像不同边缘。
全连接层
作用：将所有特征融合到一起，就是每个点与下一层连接
池化层
作用：减少训练参数，是对原始特征信号进行采样。
归一化指数层
作用：完成最后输出分类时每个类别概率的计算
激活层
兴奋
抑制
损失函数
子主题
用来评估模型的预测值与真实值的误差大小
通过损失函数来定量计算神经网络预测结果的好坏
神经网络训练的过程就是最小化损失函数的过程
损失函数越小说明预测结果越接近真实结果
优化器优化函数
优化器代表了调整网络参数，是损失函数达到最小的过程
不同的优化算法的计算过程和效率也各不相同
梯度下降算法是最常用也最有效的优化
收藏
0 条评论
回复 删除
下一页
