【.com快言】许多人工智能计算机系统的核心是人工神经网络（ANN），其灵感来自人脑的生物结构。通过使用连接的“神经元”结构，这些网络可以在没有人为参与的情况下“学习”、处理和评估某些数据。一个这样的实际例子是使用人工神经网络(ANN)来识别图像中的对象。在构建识别“猫”图像的系统时，人工神经网络在包含标记为“猫”的图像的数据集上进行训练，这些图像可用作要进行的任何分析的参考点。正如人们可能会根据尾巴或皮毛等独特特征学会识别狗一样，人工神经网络(ANN)可以通过将每张图像分解成其不同的组成部分（例如颜色和形状）来做到这一点。实际上，神经网络在托管数据之上提供了一定程度的排序和分类，有助于根据相似性对数据进行聚类和分组。人工神经网络(ANN)可用于生成复杂的垃圾邮件过滤器、发现欺诈的算法以及用于精确理解情绪的客户关系工具。人工神经网络的工作原理人工神经网络受人脑神经组织的启发，是使用类似于神经元的计算节点构建的，这些神经元沿着通路交换信息（如神经突触的工作方式）。这意味着一个计算节点的输出会影响另一个计算节点的处理。神经网络标志着人工智能发展的巨大飞跃，在此之前，人工智能一直依赖于使用预定义的过程和定期的人工干预来产生预期的结果。ANN可以将分析负载分布在多个互连层的网络中，每个层都包含互连节点。在处理信息和场景处理之后，信息被传递到下一个节点，然后通过层向下传递。这个想法是允许将额外的场景信息馈送到网络中，以通知每个阶段的处理。单“隐藏”层神经网络的基本结构类似于鱼网的结构，单层神经网络使用链将处理节点连接在一起。大量连接可以增强这些节点之间的通信，从而提高准确性和数据处理吞吐量。然后，人工神经网络将这些层中的许多层叠加在一起以分析数据，从而创建从第一层到最后一层的输入和输出数据流。尽管层数会根据ANN的性质及其任务而有所不同，但我们的想法是将数据从一层传递到另一层，同时添加额外的场景信息。人脑使用3D矩阵连接，而不是大量的层堆叠。就像人脑一样，节点在接收到特定刺激时会在人工神经网络上“发射”信号，并将信号传递给另一个节点。然而，对于人工神经网络，输入信号被定义为实数，输出是各种输入的总和。这些输入的值取决于它们的权重，权重用于增加或减少与正在执行的任务相对应的输入数据的重要性。它的目标是获取任意数量的二进制数字输入并将它们转换为单个二进制数字输出。更复杂的神经网络增加了数据分析的复杂性早期的神经网络模型使用浅层架构，其中仅使用一个输入和输出层。虽然现代系统由一个输入层和一个输出层组成，输入层首先将数据输入网络，但多个“隐藏”层增加了数据分析的复杂性。这就是“深度学习”一词的来源——“深度”部分特指任何使用多个“隐藏”层的神经网络。收集示例为了说明人工神经网络在实践中是如何工作的，让我们将其简化为一个实际示例。想象一下，你被邀请参加一个聚会，你正在决定是否参加，这可能涉及权衡利弊，并将各种因素纳入决策过程。在这个例子中，只选择了三个因素——“我的朋友会去吗？”、“派对会远吗？”、“天气会好吗？”通过将这些考虑因素转化为二进制值，人工A神经网络对这一过程进行建模。例如，我们可以为“天气”指定一个二进制值，即“1”表示晴天，“0”表示坏天气。每个行列式将重复相同的格式。但是，仅仅分配一个值是不够的，因为这不能帮助您做出决定。为此，有必要定义一个阈值，其中正面因素的数量超过负面因素的数量。根据二进制值，合适的阈值可以是“2”。换句话说，在你决定参加派对之前，你需要这两个因素的阈值都为“1”。如果你的朋友要去参加派对（'1'）并且天气很好（'1'），那么这意味着你可以去参加派对。如果天气不好（'0'）并且聚会很远（'0'），则不满足此阈值，即使您的朋友参加（'1'），您也不会参加聚会。神经加权不可否认，这是神经网络基础知识的一个非常基本的例子，但希望它有助于突出二进制值和阈值的概念。然而，决策过程比这个例子复杂得多，而且通常情况下一个因素比另一个因素对决策过程的影响更大。要创建这种变化，您可以使用“神经加权”——通过乘以一个因子的权重来确定一个因子的二进制值对其他因子的重要性。虽然示例中的每个考虑因素都可能使您难以做出决定，但您可能会更加重视其中一个或两个因素。如果您不愿意在大雨中参加聚会，那么恶劣的天气将超过其他两个考虑因素。在这个例子中，天气因素的二进制值可以通过赋予它更高的权重来赋予它更多的权重：0)将阻止剩余的输入达到所需的阈值，因此节点不会“开火”（这意味着您将决定不加入派对）。虽然这是一个简单的示例，但它提供了根据提供的权重做出决策的概述。如果将其外推到图像识别系统，是否加入派对（输入）的各种考虑因素将是给定图像的特征，无论是颜色、大小还是形状。例如，经过训练以识别狗的系统可以赋予形状或颜色更多的权重。当神经网络处于训练状态时，权重和阈值被设置为随机值。然后随着训练数据通过网络进行调整，直到获得一致的输出。神经网络的好处神经网络可以有机地学习。也就是说，神经网络的输出并不完全受限于输入数据。人工神经网络可以概括输入数据，使它们在模式识别系统中很有价值。他们还可以找到计算密集型答案的捷径。人工神经网络可以推断数据点之间的关系，而不是期望数据源中的记录明确相关。它们也可以是容错的。当神经网络扩展到多个系统时，它们可以绕过无法通信的缺失节点。除了绕过不再起作用的网络部分之外，人工神经网络还可以通过推理重新生成数据，并帮助识别不起作用的节点。这对于网络的自诊断和调试非常有用。然而，深度神经网络提供的最大优势是能够处理和聚类非结构化数据，例如图像、音频文件、视频、文本、数字等。在分析层次结构中，每一层节点都根据前一层的输出进行训练，深度神经网络能够处理大量此类非结构化数据以在人类处理分析之前找到相似之处。神经网络示例还有许多其他神经网络应用示例可以利用其从复杂或不精确的数据中获得洞察力的能力。图像识别人工神经网络可以解决诸如分析特定物体的照片等问题。该算法可用于区分狗和猫。更重要的是，神经网络已被用于仅使用细胞形状信息来诊断癌症。近30年来，金融神经网络一直被用于汇率预测、股票表现和选择预测。神经网络还用于确定贷款信用评分，学习正确识别良好或不良信用风险。电信公司已使用电信神经网络通过实时评估网络流量来优化路由和服务质量。原标题：什么是人工神经网络？，作者：DaleWalker
