16、神经网络与对抗搜索：原理、实现与测试

神经网络与对抗搜索：原理、实现与测试

1. 简单神经网络及其应用

1.1 光学字符识别（OCR）

OCR 是一种由神经网络驱动的较旧的识别技术。当我们扫描文档时，它能将文档转换为可选择的文本而非图像。此外，OCR 还能让收费站读取车牌，使邮政服务快速分拣信件。

1.2 分类与推荐系统

神经网络在分类问题上有成功的应用，在推荐系统中也表现出色。例如，Netflix 会推荐用户可能喜欢观看的电影，Amazon 会推荐用户可能想阅读的书籍。不过，推荐系统也有其他有效的机器学习技术，因此在选择神经网络之前，应探索所有选项。

1.3 预测应用

神经网络可用于近似未知函数，这使其在预测方面很有用。例如，预测体育赛事结果、选举结果或股票市场走势。其预测准确性取决于训练情况，包括可用的相关数据集大小、神经网络参数的调整以及训练迭代次数。在预测中，确定网络结构往往是最困难的部分，通常需要通过反复试验来确定。

1.4 练习

• 使用本章开发的神经网络框架对另一个数据集中的项目进行分类。
• 创建一个通用函数 parse_CSV() ，其参数要足够灵活，以替代本章中的两个 CSV 解析示例。
• 尝试使用不同的激活函数运行示例（记得同时找到其导数），观察激活函数的变化如何影响网络的准确性，以及是否需要更多或更少的训练。
• 使用流行的神经网络框架（如 TensorFlow 或 PyTorch）重新实现本章的问题。
• 使用 NumPy 重写 Network