《数学之美》第30章 Google大脑和人工神经网络

本文介绍了人工神经网络的基本概念,包括其结构、训练方法及其与贝叶斯网络的比较。此外,还详细探讨了Google大脑项目如何利用大规模并行处理技术及人工神经网络解决复杂问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1  人工神经网络

    人工神经网络是一个分层的有向图,第一层接收输入的信息,也称为输入层。第二层的节点照此将数值向后面传递,直到第三层节点,如此一层层传递,直到最后一层,最后一层又称为输出层。

2 训练神经网络

    人工神经网络分为有监督的训练和无监督的训练两种。

    有了训练数据,定义一个成本函数C,然后按照梯度下降法找到让成本达到最小值的那组参数。

3 人工神经网络与贝叶斯函数的关系

    共同点:

        1. 它们都是有向图,每一个节点的取值只取决于前一级的节点,而与更前面的节点无关,也就是说遵从马尔可夫假设。

        2. 它们的训练方法相似。

        3. 对于很多模式分类问题,这两种方法在效果上相似,也就是说很多利用人工神经网络解决的问题,也能用贝叶斯网络解决,反之亦然。

        4. 它们的训练计算量都特别大。

    不同点:

        1. 神经网络是在结构上是完全标准化的,而贝叶斯网络更灵活。

        2. 虽然神经网络为非线性函数,但是各个变量只能先进行线性组合,最后对一个变量进行非线形转换。而在贝叶斯网络中,变量可以组合成任意的函数,毫无限制,在获得灵活性的同时,也增加了复杂性。

        3. 贝叶斯网络更容易考虑前后的相关性,因此可以解码一个输入的序列。

4 Google大脑

    “Google大脑”说穿了是一种大规模并行处理的人工神经网络。其创新之处也在于利用了云计算的并行处理技术。

    Google大脑为什么要采用人工神经网络而不是其他机器学习的技术呢?

        第一,从理论上讲,人工神经网络可以在多维空间“画出”各种形状的模式分类边界,因此它有很好的通用性。

        第二,人工神经网络的算法非常稳定,几乎没有怎么变过。

        第三,并非所有的机器学习算法都容易并行化,人工神经网络的训练算法相对简单,容易并行实现。

    Google大脑在减少计算量方面做了两个改进。

        首先是降低每一次迭代的计算量,采用随机梯度下降法。

        第二是减少训练的迭代次数。采用L-BFGS方法,可以根据离最后目标的“远近”距离调整每次迭代的步长。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值