人工智能笔记 - 神经网络

人工神经网络（英语：Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或类神经网络，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的讲就是具备学习功能。现代神经网络是一种非线性统计性数据建模工具。

神经网络的构筑理念是受到生物（人或其他动物）神经网络功能的运作启发而产生的。人工神经网络通常是通过一个基于数学统计学类型的学习方法（Learning Method）得以优化，所以也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，我们通过数学统计学的应用可以来做人工感知方面的决定问题（也就是说通过统计学的方法，人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力），这种方法比起正式的逻辑学推理演算更具有优势。

和其他机器学习方法一样，神经网络已经被用于解决各种各样的问题，例如机器视觉和语音识别。这些问题都是很难被传统基于规则的编程所解决的。

神经元

树突：为神经元的输入通道，将自其他神经元所接收到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至下一个神经元

人工神经元

输入信号：​{x}_{1}, {x}_{2}, ···, {x}_{n}

输出信号: ​y

人工神经网络

由一个输入层，多个隐藏层，一个输出层构成

前馈型神经网络

单向多层结构，整个网络中无反馈

常用于图像识别，检测，分割

反馈型神经网络

是一种从输出到输入具有反馈连接的神经网络，当前的结果受到先前所有结果的影响

常用于语音，文本处理，问答系统等