AI人工智能神经网络介绍

神经网络的基本概念

节点 Neuron： 类似于人脑的神经元，每个节点接受输入信号，进行处理后发送输出信号。

层Layer: 神经网络的结构由多个层组成，每层包含一定数量的节点。一般分为输入层，隐藏层和输出层。

链接Weights: 每两个相邻层之间的节点通过带有权重决定了信号传输的强度。

浅层神经网络 

浅层神经网络是指包含少量隐藏层（通常只有一个隐藏层）的一种神经网络。由于层数较少，计算相对简单，适用于一些叫简单或较小规模的任务。

例子：二分类问题，如垃圾邮件识别

• 输入层：接收邮件的特征，如文本词频等
• 隐藏层：只有一层隐藏层，包含若干节点
• 输出层：输出是两个节点，表示垃圾邮件或正常邮件的概率

浅层神经网络虽然简单，但在某些简单任务上表现不俗。例如在垃圾邮件识别时，简单的特征如特定词汇对的频率就能很好的区分垃圾邮件。

深度神经网络

深度神经网络则包含了多个隐藏层，层数较多，使其能够捕捉数据的复杂模式和高级特征。深度神经网络被用来处理更复杂，规模更大的任务，比如图像识别，自驾车，自然语言处理等。

列子： 图像分类，如手写数字识别

• 输入层： 接受图像的像素值，比如30X30的灰度图像，有900多个节点
• 多个隐藏层： 每个层逐步提取图像的不同特征，比如边缘，形状和更复杂的模式。可能包含若干层，每层有大量节点。
• 输出层：输出是多个节点，每个节点表示图像属于某个分类的概率。

深度神经网络基于多层结构，能够逐级提取更复杂的特征。列如在图像分类任务中，底层隐藏层可能识别简单的边缘特征，中间层可能识别复杂的形状特征，顶层隐藏层则综合所有特征完成最终的分类任务。

CNN 卷积神经网络

卷积层 神经网络是一种特别设计用来处理具有类似网络结构的数据的深度学习模型，列如图像，本质上是像素的矩阵。在最简单的术语中，CNN通过模拟我们人类的视觉系统工作来帮助计算机看懂图像或其他类似数据。

卷积神经网络分为卷积层，池化层和全连接层。

卷积层，假设你有一张纸上画着各种形状，如圆形，方形等。你用一个小镜子（这就是所谓的“滤镜”或“卷积核”）来观察这张纸。每次你只能看到镜子中的一小部分图形。根据这部分，你尝试猜测这是哪种形状。移动镜子到纸上的不同部位，重复这个观察过程，最终你可以获得关于图形的不同信息。在CNN中，这个“小镜子”的过程就是“卷积操作", 它可以帮助模型捕捉到图像红的基本特征，如边缘，焦点等。

池化层，接下来如果你想让镜子中看到的图像部分更抽象，更容易总结，你可能会选择在画好的图形上用较大的格子遮住一些部分，只保留某些重要的特征，比如形状的特定部分。这个过程类似于“池化”, 它有助于降低处理的数据量和抓取最显著的特征。

全连接层， 最后将你的所有观察结果放在一起，尝试根据你提取的信息来完整的识别纸上的整个图像。