神经网络是一组可以模仿人脑的算法，旨在识别其模式。他们通过机器感知，标记或聚类原始输入来解释感觉数据。它们识别的模式是载体中包含的数字。无论是图像，声音，文本还是时间序列，都必须将其转换为向量。
神经网络可以帮助我们进行聚类和分类。您可以将它们视为群集和分类层在存储和管理数据上方。它们根据输入和数据集之间的相似性来帮助无签名的数据，并在有一个数据集之间进行数据集（神经网络还可以提取特征，这些功能将提供给其他用于聚类和分类的算法；因此，您可以将深层神经网络视为涉及大规模机器学习的组件，涉及加强学习，分类，分类，分类，分类，和回归算法。））
深度学习映射到输出的输入。它找到相关性。它称为“一般方法”，因为它可以从未知函数f（x）= y中学习任何输入x和任何输出y，假设它们完全相关（例如，通过相关性或因果关系）。在学习过程中，神经网络将找到正确的F，还是将X转换为正确的方式，无论是F（x）= 3x + 12还是F（x）=9x -0.1。以下是深度学习的一些例子。
1）分类
所有分类任务都取决于标记数据集；也就是说，人类必须将知识转移到数据集中，以使神经网络学习标签和数据相关性。这被称为监督学习。
2）
分类或分组是对相似性的测试。深度学习不需要标签来检测相似性。学习没有标签被称为无监督学习。机器学习定律是：可以训练的数据越多，越准确，越是如此。无监督的学习可能会产生高度准确的模型。
3）预测分析：返回
通过分类，深度学习可以在图像中建立像素和名称之间的相关性。在过去和未来之间。未来的事件就像在某种意义上一样的标签。深处学习不一定关心时间，也不一定要关心尚未发生的事情。启动时间顺序，深度学习可能会读一系列数字并预测下一个最可能的数字。
我们预测的越好，我们可以预防和预防越好。在神经网络的帮助下，我们也朝着更聪明的世界发展，将神经网络与其他算法（例如增强学习）相结合以实现更多目标。
通过简要概述深度学习案例，让我们看看神经网络的组成。
深度学习是我们“堆叠神经网络”的名称；也就是说，由多层组成的网络。
该层由仅计算出的节点组成，类似于人脑中的神经元，当它遇到足够的刺激时，该节点将被激活。一个节点将数据的输入与一组系数或权重相结合。这些系数或权重可以在输入中放大或抑制，以使输入对算法尝试的任务的重要性。这些输入权重乘法是需要的，然后通过节点的SO添加激活功能总和到达，确定信号和应通过网络传播多少以影响最终结果，例如分类行为。如果信号通过，神经元已被“激活”。
一般过程如下图所示：
节点层是类似于神经元的开关行。当输入通过网络馈送时，这些开关将被打开或关闭。每一层的输出是同时的后续层的输入，从接收数据的初始输入层开始。
具有输入功能的模型的可调节权重是我们如何根据如何对神经网络进行分类和聚类分类和聚类这些特征的权重。
深度学习网络与更常见的单个隐藏层神经网络之间的区别在于它们的深度。也就是说，在多步骤模式识别过程中，数据必须通过的节点层的数量。
神经网络的早期版本（例如第一感知）是浅层。它由输入层和输出层组成。最多有一个隐藏的层。超过三层（包括输入和输出）可以称为“深度”学习。因此，深层不仅是一个流行的词。它使该算法看起来像阅读SAT，听您从未听说过的乐队。这是一个严格定义的术语，指示多个隐藏的层。
在深度学习网络中，根据上一层的输出对一组不同的功能进行了训练的每个节点。神经网络越深，可以识别节点的特征越复杂，因为它们会收集和重新培训。- 与上一层的特征相吻合。
这称为特征性层次结构，它是一种增加并发症和抽象的层次结构。它使深度学习网络能够处理具有数十亿个具有非线性函数的参数的非常高维的数据集。
最重要的是，这些神经网络可以在未结构和非结构数据中找到潜在的结构。非结构数据的另一个单词是原始媒体。这是图片，文本，视频和录制。学习是要处理的，是世界上原始的未签名媒体，并区分数据中的相似性和异常。
例如，深度学习可以拍摄一百万张图像并根据它们的相似性收集它们：一个角是猫，另一个角落是破冰船，三分之一是您祖母的所有照片。这是So的基础 -称为智能专辑。
现在，同一想法适用于其他数据类型：深度学习可能会收集原始文本，例如电子邮件或新闻文章。到处都是愤怒的email可能会聚集在矢量空间的一个角落，并且满意的客户或垃圾邮件可能会聚集在其他地方角落。这是各种消息过滤器的基础，可用于客户关系管理（CRM）。此也适用于语音消息。
对于时间序列，数据可能会围绕正常/健康行为和异常/危险行为聚集。如果时间序列数据是由智能手机生成的，则将提供有关用户健康和习惯的见解；如果它是由汽车零件产生的，则可以用来防止灾难性的故障。
与大多数传统的机器学习算法不同，自动学习网络可以在不手动干预的情况下执行自动功能提取。启动功能提取是一项需要数据科学家团队几年的任务，深度学习是一种绕过有限的瓶颈的方法。
在训练Ungrar数据时，深网中的每个节点层将重复样本输入中样本输入之间的差异，并尝试最大程度地减少网络猜测的概率分布与输入数据本身之间的差异。例如，有限的Boltzmann以这种方式创建了SO称为重建。
在此过程中，这些神经网络学会了某些相关特征和最佳结果之间的相关性 - 它们在特征信号的特征与这些特征的代表之间建立了联系，无论它是完全重建还是标记数据。
对标记数据培训的深度学习网络可以应用于非结构性数据，使其能够获得比机器学习网络更多的输入。这是改善性能的秘诀：网络可以培训的数据越多，越多准确。（对大量数据训练的不良算法可以比对稀有数据进行培训的好算法更好。）深度学习处理和学习大量未签名的数据使其比以前的算法具有明显的优势。
深度学习网络以输出层结束：逻辑或软玛克斯分类器，这是特定结果或标签的可能性。我们称其为预测，但这是一个广泛的预测。以图像形式启动了原始数据，深度学习网络可能会可以确定。例如，90％的输入数据代表一个人。
1）女性网络
我们的神经网络的目标是尽可能快地达到最小的错误。游戏是我们的权重状态，而终点是这些参数可以产生足够的准确分类和预测状态。
竞争本身涉及许多步骤，这些步骤中的每个步骤都类似于以前的和后续的步骤。就像跑步者一样，我们将一遍又一遍地重复移动以达到结束。测量和次要重新更新和系数调整，因为它将慢慢学会注意最重要的功能。
权重的集合，无论是处于起始状态还是结束，也称为模型，因为它试图建模数据与真实标签之间的关系以掌握数据的结构。模型通常不好。开始。随着神经网络更新其参数，它将随着时间的推移而变化，最终将变得不那么糟糕。
这是因为神经网络诞生于无知。它不知道可以将哪些重量和偏差转换为输入以进行正确的猜测。它必须从猜测开始，然后从错误中学习，然后尝试更好地猜测。（您可以想像一个小时候的神经网络：他们天生就很少，通过与生活经验的接触，他们慢慢学会解决世界上的问题。对于神经网络，数据是唯一的经验。）
以下是对饲料神经网络中发生的事情的简单解释。它也是最简单的结构。
输入网络。系数或权重将映射到对最后一组网络的一组猜测中。
加权输入原因猜测输入是什么。然后神经系统将其与数据的基本事实进行了比较，并有效地询问专家：“我对吗？”
网络猜测和真实情况之间的差异在于其错误。错误衡量网络并遍历其模型以根据其对错误的贡献来调整权重。
上面的三个伪数学公式解释了神经网络的三个关键函数：得分输入，计算损失并更新模型应用程序 - 启动三个步骤。神经网络是校正后的反馈周期。奖励支持其正确的猜测重量，惩罚导致错误的重量。
2）各种线性回归
尽管名称是受生物学启发的，但人工神经网络就像其他任何机器学习算法一样，只是数学和代码。表达：
其中，y_hat是一个估计的输出，x是输入，b是斜坡，a是两条线上线上的线的截距，可以想像一下，每当您添加一个单元时对于x，无论您走多远，变量y_hat的比例都会增加。这两个变量之间的简单关系是起点。
下一步是想象多个线性回归，并且许多输入变量生成输出变量。它通常以这样的方式表示：
这种多个线性回归的形式发生在神经网络的每个节点上。对于单层的每个节点，从上一层中的每个节点的输入都用每个节点的输入重新计算。根据其系数以不同比例混合。这些系数不同，导致每个节点输入后续层。这样，在尝试减少错误时，输入组合很重要。
一旦输入节点并达到y_hat，它将通过非线性函数。原因如下：如果每个节点仅通过多个线性返回，则y__hat将增加线性线性无限线性无限x，但这确实如此不符合我们的目标。
我们尝试在每个节点上构建一个开关（例如神经元...），可以打开和关闭，具体取决于它是否应使输入信号影响影响网络的最终决定。
当您有开关时，您会有一个分类问题。输入信号表明节点应该对其进行足够的分类或不够，或者不够或OFF？二进制决策可以由1和0表示，逻辑回归是非线性函数压缩输入将其转换为0到1之间的空间。
每个节点的非线性转换通常是类似于逻辑回归的S形函数。它们以sigmoid（希腊语中的“ s”一词）命名，tanh，tanh，hard tanh和其他名称，它们会塑造每个节点的输出。对于所有节点的输出，每个节点都被压缩到0和1之间的S形空间，然后将输入作为输入作为输入。制定决策。
3）梯度减少
根据权重引起的错误调整重量的常用优化函数的名称称为“梯度下降”。
梯度是斜率的另一个陈述。坡度指示两个变量在XY图上如何相互关联：两个变量的增长：时间的增长，货币变化等。在这种特殊情况下，我们关心的斜率描述了网络错误和单个权重；也就是说，误差如何随权重的调整而变化。
更准确，最小错误？哪一个正确指示输入数据中包含的信号并将其转换为正确的分类？在输入图像中哪一个可以听到“鼻子”，并且知道应该标记它作为脸而不是煎锅？
通过对神经网络的研究，它将慢慢调整许多重量，以便它们可以正确地将信号映射到含义。网络误差与每个重量之间的关系是指南de/dw，它衡量了该指南的微微变化程度体重的略有变化。
每个重量只是涉及许多深网的一个因素。重量的信号已被多层激活和要求。因此，我们使用微积分的链条规则返回网络激活和输出。及其与整体误差的关系。
演算中的链方法：
在反馈网络中，网络误差与单个权重之间的关系如下：
换句话说，两个变量误差和权重由第三个变量激活给出（权重通过变量）。它可以通过首先计算激活的变化来计算重量的重量如何影响重量的变化。重量的变化会影响激活的变化。
深度学习的本质无非是根据模型产生的错误调整模型的重量，直到无法减少错误为止。
4）逻辑回归
在许多层的深神经网络上，最后一层具有特殊效果。处理标签输入时，输出层分类到每个示例，并应用了最可能的标签。根据从上一层输入和参数接收到的信号强度打开或关闭的。
每个输出节点会产生两个可能的结果，二进制输出值为0或1，因为输入变量是标签或不值得的。
尽管处理标记数据的神经网络会生成二进制输出，但他们收到的输入通常是连续的。它试图解决。
例如，推荐的引擎必须就是否放置广告做出二进制决策。但是，它决定的输入可能包括用户上周在亚马逊上花费了多少，或者用户访问了网站。
因此，输出层必须压缩信号范围，例如购物时67.59美元，并访问15个网站，到0到1之间的范围；也就是说，是否应标记输入的给定输入的概率。
我们被用来将连续信号转换为二进制输出机制作为逻辑回归。名称是不幸的，因为逻辑回归是分类的，而不是熟悉线性回归。IT计算一组输入和标签匹配的概率。
让我们研究这个小公式。
为了使连续输入表示为概率，它们必须输出积极的结果，因为没有负概率和其他因素。这就是为什么输入被视为分母中E索引的原因 - 因为该索引迫使我们的结果更大，因此该索引迫使我们的结果更大比零。考虑E索引与1/1的分数之间的关系是概率的上限，超过了该上限，我们的结果将变得荒谬。（我有120％）
随着触发标签的输入X的生长，X的表达式E缩小到零至零，留下1/1或100％的分数，这意味着我们已经接近（但永远不会完全达到）标签的绝对确定性。与输出负相关的输入的值将被E索引上的负符号翻转，并且随着负信号的增加，E E的量更大，这使得整个分数更接近零。
现在想象一下，它不是X的总和作为索引，而是重量的重量和相应的输入 - 通过网络的总信号。这是神经网络分类器的输出层的内容。
通过此层，我们可以设置一个决策阈值，该阈值标记为1比阈值。它不超过该阈值。
在某些圈子中，神经网络是人工智能的代名词。在其他情况下，它们被认为是一种“蛮力”技术，其特征是缺乏智能，因为它们从一张白皮书开始，然后通过攻击获得准确的模型通过这种解释，神经网络是有效的，但是它们的建模方法效率低下，因为它们不假设对输出和输入之间的功能依赖性假设。
值得一提的是，最重要的人工智能研究团队是通过训练增加神经网络来促进学科的发展。灯是有效的。在诸如GPT-3之类的知名模型中有效。
诸如Hinton的胶囊网络之类的算法需要更少的数据实例来收敛到准确的模型。也就是说，当前的研究可能解决了深度学习效率低下的蛮力问题。
尽管神经网络可以用作函数近似，但输入映射到许多感知任务中以实现更常见的智能，它们可以与其他AI方法结合起来，以执行更复杂的任务。关于将神经网络嵌入增强的学习框架中的学习，他们将动作绘制为奖励以实现目标。DeepMind在E -Sports和Go中的胜利就是一个很好的例子。
人工智能进入了我们的生活，并应用于各个领域。它不仅为行业带来了巨大的经济利益，而且为我们的生活带来了许多变化和便利。
Tsingsee绿犀牛视频基于视频领域的技术经验的技术经验。在人工智能技术+视频领域，它还不断地将AI检测和智能识别技术开发为各种视频应用程序场景，例如安全监控，视频中的视频中的人面对面面部面部脸部面部脸部面部面部面部面部脸部面孔脸部探测和测试的识别，危险行为（攀爬，下降，推动等）测试和识别。视频分析和数据摘要。