什么是神经网络？

什么是神经网络？

神经网络是一种模仿人类大脑结构和功能的计算模型，它由多个节点（神经元）通过连接（权重）构成，可以进行学习和模式识别。神经网络的核心是通过训练数据调整权重，从而让模型在输入数据的基础上进行预测或分类。

任何一个函数，都能转换成神经网络！

任何任何一种关系，都是一个函数

神经网络的能力，很强！！！

网络：

网络本质上图，graph，数据结构，(节点，边)，并且其有特殊的含义

神经：

神经就像大脑的神经系统

神经元：单元，mini 函数，mini/标准计算过程，简单的加工

        线性变换：

                • 𝑤0+𝑤1𝑥1+𝑤2𝑥2+𝑤3𝑥3

                • X：(1,2,3) • W：（-0.5, 0.1，0.35，0.02）

                • 结果：−0.5+0.1∗1+0.35∗2+0.02∗3

                • W0: 偏置项

                • W_i的值是怎么来的？

                 • X_i的值是怎么来的？

        非线性变换：

                • S函数

                • 符号函数

                • 双曲正切函数

                • Relu/Leaky Relu

                • Mish/Swish

                • softmax

关系：输入输出

神经网络本质：模型函数f(x)

与线性回归/逻辑回归，套路一样，区别在f(x) ， 多一个流程，设计f(x)

关于神经网络的几件事情

1. 神经元很简单（线性变换、非线性变换）

2. 神经网络有很多很多的神经元

3. 神经元很标准、有且只有线性和非线性变换

4. 任何一个函数f(x)，必然存在一个神经网络和它无限的逼近

5. 给一个神经网络，写出函数表达式

6. 给一个函数表达式，画出神经网络

神经元之间的区别？

• W不同

• 激活函数不同

神经网络分类，神经元之间的连接方式

1. 全连接神经网络，FC

2. 卷积神经网络，CNN

3. 循环神经网络，RNN

全连接神经网络：

1.层次结构，不跨层，不循环

2.两两相连，相邻层

3.有多少个类别，输出层就有多少个节点

FCNN的应用：

尽管FCNN有其局限性，但在某些任务中表现出色，尤其是那些特征简单、结构平坦的任务，如：

• 分类问题：如二分类、多分类问题，特别是结构化数据。
• 回归问题：预测连续数值的回归任务。
• 图像分类（小规模数据）：在图像数据集较小、对细节要求不高的情况下，也可尝试使用FCNN。

卷积神经网络：

局部链接、权重共享。

CNN的应用：

卷积神经网络在许多领域有广泛应用，尤其是在计算机视觉任务中：

• 图像分类：例如，识别图片中的物体（猫、狗等）。
• 目标检测：识别图像中的特定物体并标出它们的位置。
• 图像分割：将图像分成多个区域，每个区域对应不同的类别。
• 人脸识别：用于检测和识别图像中的人脸。
• 视频分析：对视频帧进行处理，检测物体、动作等。

循环神经网络：

RNN的应用

由于RNN的结构可以保留过去的信息，它被广泛应用于各种序列预测和处理任务，包括但不限于：

• 自然语言处理：例如，文本生成、情感分析、机器翻译等。
• 时间序列预测：如股价预测、天气预测等。
• 语音识别：从语音信号中识别文字。
• 视频分析：对视频帧序列进行理解和分析。