掃二維碼與項目經(jīng)理溝通
我們在微信上24小時期待你的聲音
解答本文疑問/技術(shù)咨詢/運營咨詢/技術(shù)建議/互聯(lián)網(wǎng)交流
神經(jīng)網(wǎng)絡(NN)幾乎可以在每個領域幫助我們用創(chuàng)造性的方式解決問題。本文將介紹神經(jīng)網(wǎng)絡的相關知識。讀后你將對神經(jīng)網(wǎng)絡有個大概了解，它是如何工作的?如何創(chuàng)建神經(jīng)網(wǎng)絡?
創(chuàng)新互聯(lián)建站從2013年創(chuàng)立，先為麟游等服務建站，麟游等地企業(yè)，進行企業(yè)商務咨詢服務。為麟游企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)同步一站式服務解決您的所有建站問題。
一、神經(jīng)網(wǎng)絡的發(fā)展歷史
我們簡單回顧一下神經(jīng)網(wǎng)絡的發(fā)展歷程，如果你想了解更多關于其發(fā)展歷程的信息，請看這篇維基百科的文章
(https://en.wikipedia.org/wiki/Artificial_neural_network#History)，它是本章節(jié)的基礎。
神經(jīng)網(wǎng)絡起源于 WarrenMcCulloch 和 Walter Pitts 于 1943 年首次建立的神經(jīng)網(wǎng)絡模型。他們的模型完全基于數(shù)學和算法，由于缺乏計算資源，模型無法測試。
后來，在 1958 年，F(xiàn)rank Rosenblatt 創(chuàng)建了第一個可以進行模式識別的模型，改變了現(xiàn)狀。即感知器。但是他只提出了 notation 和模型。實際的神經(jīng)網(wǎng)絡模型仍然無法測試，此前的相關研究也較少。
第一批可以測試并具有多個層的神經(jīng)網(wǎng)絡于 1965 年由 Alexey Ivakhnenko 和 Lapa 創(chuàng)建。
之后，由于機器學習模型具有很強可行性，神經(jīng)網(wǎng)絡的研究停滯不前。很多人認為這是因為 Marvin Minsky 和 Seymour Papert 在 1969 年完成的書《感知機》(Perceptrons)導致的。
然而，這個停滯期相對較短。6 年后，即 1975 年，Paul Werbos 提出反向傳播，解決了 XOR 問題，并且使神經(jīng)網(wǎng)絡的學習效率更高。
1992 年，最大池化(max-pooling)被提出，這有助于 3D 目標識別，因為它具備平移不變性，對變形具備一定魯棒性。
2009 年至 2012 年間，JürgenSchmidhuber 研究小組創(chuàng)建的循環(huán)神經(jīng)網(wǎng)絡和深度前饋神經(jīng)網(wǎng)絡獲得了模式識別和機器學習領域 8 項國際競賽的冠軍。
2011 年，深度學習神經(jīng)網(wǎng)絡開始將卷積層與最大池化層合并，然后將其輸出傳遞給幾個全連接層，再傳遞給輸出層。這些被稱為卷積神經(jīng)網(wǎng)絡。
在這之后還有更多的研究。
二、什么是神經(jīng)網(wǎng)絡?
了解神經(jīng)網(wǎng)絡的一個好方法是將它看作復合函數(shù)。你輸入一些數(shù)據(jù)，它會輸出一些數(shù)據(jù)。
三個部分組成了神經(jīng)網(wǎng)絡的的基本架構(gòu)：
你可以把它們看作建筑物的「磚塊」。根據(jù)你希望建筑物擁有的功能來安排磚塊的位置。水泥是權(quán)重。無論權(quán)重多大，如果沒有足夠的磚塊，建筑物還是會倒塌。然而，你可以讓建筑以最小的精度運行(使用最少的磚塊)，然后逐步構(gòu)建架構(gòu)來解決問題。
我將在后面的章節(jié)中更多地討論權(quán)重、偏置項和單元。
1. 單元/神經(jīng)元
作為神經(jīng)網(wǎng)絡架構(gòu)三個部分中最不重要的部分，神經(jīng)元是包含權(quán)重和偏置項的函數(shù)，等待數(shù)據(jù)傳遞給它們。接收數(shù)據(jù)后，它們執(zhí)行一些計算，然后使用激活函數(shù)將數(shù)據(jù)限制在一個范圍內(nèi)(多數(shù)情況下)。
我們將這些單元想象成一個包含權(quán)重和偏置項的盒子。盒子從兩端打開。一端接收數(shù)據(jù)，另一端輸出修改后的數(shù)據(jù)。數(shù)據(jù)首先進入盒子中，將權(quán)重與數(shù)據(jù)相乘，再向相乘的數(shù)據(jù)添加偏置項。這是一個單元，也可以被認為是一個函數(shù)。該函數(shù)與下面這個直線方程類似：
想象一下有多個直線方程，超過 2 個可以促進神經(jīng)網(wǎng)絡中的非線性。從現(xiàn)在開始，你將為同一個數(shù)據(jù)點(輸入)計算多個輸出值。這些輸出值將被發(fā)送到另一個單元，然后神經(jīng)網(wǎng)絡會計算出最終輸出值。
2. 權(quán)重/參數(shù)/連接
作為神經(jīng)網(wǎng)絡最重要的部分，這些(和偏置項)是用神經(jīng)網(wǎng)絡解決問題時必須學習的數(shù)值。這就是你現(xiàn)在需要知道的。
3. 偏置項
這些數(shù)字代表神經(jīng)網(wǎng)絡認為其在將權(quán)重與數(shù)據(jù)相乘之后應該添加的內(nèi)容。當然，它們經(jīng)常出錯，但神經(jīng)網(wǎng)絡隨后也學習到最佳偏置項。
4. 超參數(shù)
超參數(shù)必須手動設置。如果將神經(jīng)網(wǎng)絡看作一臺機器，那么改變機器行為的 nob 就是神經(jīng)網(wǎng)絡的超參數(shù)。
你可以閱讀我的另一篇文章
(https://towardsdatascience.com/gas-and-nns-6a41f1e8146d)，了解如何優(yōu)化神經(jīng)網(wǎng)絡超參數(shù)。
5. 激活函數(shù)
也稱為映射函數(shù)(mapping function)。它們在 x 軸上輸入數(shù)據(jù)，并在有限的范圍內(nèi)(大部分情況下)輸出一個值。大多數(shù)情況下，它們被用于將單元的較大輸出轉(zhuǎn)換成較小的值。你選擇的激活函數(shù)可以大幅提高或降低神經(jīng)網(wǎng)絡的性能。如果你喜歡，你可以為不同的單元選擇不同的激活函數(shù)。
以下是一些常見的激活函數(shù)：
(1) Sigmoid
Sigmoid 函數(shù)
(2) Tanh
tanh 函數(shù)
(3) ReLU：修正線性單元
修正線性單元函數(shù)
(4) Leaky ReLU
Leaky ReLU 函數(shù)
5. 層
這是神經(jīng)網(wǎng)絡在任何問題中都可獲得復雜度的原因。增加層(具備單元)可增加神經(jīng)網(wǎng)絡輸出的非線性。
每個層都包含一定數(shù)量的單元。大多數(shù)情況下單元的數(shù)量完全取決于創(chuàng)建者。但是，對于一個簡單的任務而言，層數(shù)過多會增加不必要的復雜性，且在大多數(shù)情況下會降低其準確率。反之亦然。
每個神經(jīng)網(wǎng)絡有兩層：輸入層和輸出層。二者之間的層稱為隱藏層。下圖所示的神經(jīng)網(wǎng)絡包含一個輸入層(8 個單元)、一個輸出層(4 個單元)和 3 個隱藏層(每層包含 9 個單元)。
深度神經(jīng)網(wǎng)絡
具有兩個或更多隱藏層且每層包含大量單元的神經(jīng)網(wǎng)絡稱為深度神經(jīng)網(wǎng)絡，它催生了深度學習這一新的學習領域。上圖所示神經(jīng)網(wǎng)絡就是這樣一個例子。
三、神經(jīng)網(wǎng)絡學習時發(fā)生了什么?
教神經(jīng)網(wǎng)絡解決問題的最常見方式是使用梯度下降。梯度下降相關內(nèi)容，參見：
https://hackernoon.com/gradient-descent-aynk-7cbe95a778da。
除梯度下降外，另一種常見的訓練神經(jīng)網(wǎng)絡方法是使用反向傳播。使用這種方法，神經(jīng)網(wǎng)絡輸出層的誤差會通過微積分中的鏈式規(guī)則向后傳播。這對于沒有微積分知識的初學者來說可能會難以理解，但也不要被嚇倒，反向傳播相關內(nèi)容，推薦閱讀：
http://neuralnetworksanddeeplearning.com/chap2.html。
訓練神經(jīng)網(wǎng)絡有許多注意事項。但對于初學者來說，沒有必要在一篇文章中了解全部。
四、實現(xiàn)細節(jié)(如何管理項目中的所有因素)
為了解釋如何管理項目中的所有因素，我創(chuàng)建了一個 Jupyter Notebook，包含一個學習 XOR 邏輯門的小型神經(jīng)網(wǎng)絡。Jupyter Notebook 地址：https://github.com/Frixoe/xor-neural-network/blob/master/XOR-Net-Notebook.ipynb。
在查看并理解 Notebook 內(nèi)容后，你應該對如何構(gòu)建基礎神經(jīng)網(wǎng)絡有一個大致的了解。
Notebook 創(chuàng)建的神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)以矩陣排列，這是常見的數(shù)據(jù)排列方式。不同項目中的矩陣維度可能會有所不同。
大量數(shù)據(jù)通常分為兩類：訓練數(shù)據(jù)(60%)和測試數(shù)據(jù)(40%)。神經(jīng)網(wǎng)絡先使用訓練數(shù)據(jù)，然后在測試數(shù)據(jù)上測試網(wǎng)絡的準確率。
五、關于神經(jīng)網(wǎng)絡的更多信息(更多資源鏈接)
如果你仍然無法理解神經(jīng)網(wǎng)絡，那么推薦以下資源：
YouTube：
Coursera：
我們在微信上24小時期待你的聲音
解答本文疑問/技術(shù)咨詢/運營咨詢/技術(shù)建議/互聯(lián)網(wǎng)交流
微信二維碼
微信二維碼
移動版官網(wǎng)