详细分析神经网络的含义，挑战，类型和应用

编者注: Statsbot深度学习开发人员Jay Shah将带您进入神经网络，以了解流行的神经网络类型及其应用，例如自动编码器，卷积神经网络和递归神经网络.

现在，人们使用神经网络来解决许多业务问题，例如销售预测，客户研究，数据验证和风险管理. 例如，在Statsbot中，我们将神经网络应用于时间序列预测，异常数据检测和自然语言理解.

在本文中，我们将解释什么是神经网络，初学者在使用神经网络时将面临的主要挑战，流行的神经网络的类型及其应用. 我们还将描述神经网络如何应用于不同的行业和领域.

神经网络思想

计算机科学领域中的“神经网络”一词最近引起了很多轰动，并引起了很多关注. 但是神经网络到底是什么？它是如何工作的？真的有帮助吗？

实质上，神经网络由称为神经元的计算单元层组成，它们相互连接. 神经网络转换数据，直到网络可以输出分类为止. 每个神经元将初始值乘以一定的权重，将其添加到输入相同神经元的其他值中，然后根据神经元的偏见调整结果，然后使用激活函数对输出进行归一化.

迭代学习过程

神经网络的一个关键特征是迭代学习过程，其中记录（行）被一一提供给网络，并且每次都调整与输入值相关的权重. 提供所有信息后，该过程通常会一遍又一遍地开始. 在此学习阶段，网络会调整权重以预测输入样本的正确类别标签以进行自我训练.

神经网络的优势包括对嘈杂数据的高度容忍以及对未训练模式进行分类的能力. 最受欢迎的神经网络算法是反向传播算法.

一旦为特定应用建立了网络架构，就可以对网络进行培训. 最初，初始权重（在下一节中讨论）是随机选择的. 然后训练（学习）开始.

网络使用隐藏层中的权重和函数来逐一处理“训练集”中的记录神经网络类型，然后将实际输出与预期输出进行比较. 错误会在系统中传播回来，系统会相应地调整权重，并将调整后的权重应用于下一条记录.

随着权重的调整，此过程重复进行. 在网络训练过程中，随着连接权重的不断提高，同一数据集将被多次处理.

那是什么问题？

初学者在学习神经网络时遇到的挑战之一是了解网络每一层正在发生的事情. 我们知道，经过训练，每一层都将提取数据集（输入）的高级特征，直到最后一层确定输入特征所指的是什么. 怎么做？

我们可以让网络做出决定，而不必确切指定我们希望网络增强的功能. 例如，我们简单地将任意图像或照片传递到网络，然后让网络分析图片. 接下来，我们选择一个层，并要求网络加强其检测到的内容. 网络的每一层在不同的抽象级别上处理功能，因此我们生成的功能的复杂性取决于我们选择增强哪一层.

神经网络的流行类型和用途

在这篇针对初学者的神经网络文章中，我们将讨论自动编码器，卷积神经网络和递归神经网络.

自动编码器

基于这样的观察，随机初始化是一个坏主意，并且基于无监督学习算法对每个网络层进行预训练可以获得更好的初始权重. 这种无监督算法的一个示例是深度信任网络. 最近的一些研究试图复兴这一领域，例如使用概率自动编码器的变分方法.

实际应用中很少使用它们. 最近，批处理规范化允许使用更深的网络，并且我们可以基于残差任意地对深度网络学习从头训练. 有了适当的尺寸和稀疏性约束，自动编码器可以比PCA或其他基本技术学习更多有趣的数据投影.

让我们看一下自动编码器的两个有趣的实际应用:

基于卷积层的去噪自动编码器可以有效地去除噪声.

去噪自动编码器，缺少某些输入设置

在上图中，随机销毁过程将一些输入随机设置为零，从而迫使降噪自动编码器为随机选择的丢失模式的子集预测丢失（被破坏的）值.

数据可视化的降维尝试使用主成分分析（PCA）和t分布的随机最近邻嵌入（t-SNE）进行降维. 这两种方法用于神经网络训练中，以提高模型预测的准确性. 同时，MLP神经网络预测的准确性在很大程度上取决于神经网络的结构，数据预处理以及开发网络面临的问题的类型.

卷积神经网络

卷积网络以“卷积”操作命名. 卷积的主要目的是提取输入图像的特征. 通过基于少量输入数据学习图像的特征，卷积可以保留像素之间的空间关系. 以下是一些成功应用卷积网络的示例:

史蒂文斯理工学院和Adobe进行的人脸识别研究使用级联卷积神经网络来高速识别人脸. 以低分辨率评估输入图像以快速去除非面部区域，然后以较高分辨率仔细处理关键区域以准确检测人脸.

级联结构还引入了校准网络，以加快识别速度并提高边界框的质量.

在自动驾驶汽车项目中，景深被估计为自动驾驶的重点，以确保乘客和其他车辆的安全. CNN的这一方面用于NVIDIA自动驾驶汽车等项目.

CNN层可以通过多个参数处理输入，因此CNN层提供了极高的灵活性. 这些网络的子类还包括深度信任网络. 传统上，将卷积神经网络用于图像分析和目标识别.

顺便说一下，这是一个有趣的项目，使用CNN在游戏模拟器中驾驶汽车并预测行驶方向.

递归神经网络

以这种方式训练用于序列生成的RNN（递归神经网络），处理真实数据序列的一个步骤并预测下一步. 这是有关如何实现模型的指南.

假设预测是概率性的，则从网络的输出分布中迭代采样，然后将采样作为输入传递到下一步，训练网络可以生成新序列. 换句话说，就像一个人在做梦一样，让网络看到他们实际发明的东西.

RNN可用于语言驱动的图像生成，以基于给定的文本生成笔迹. 为了应对这一挑战，将卷积文本字符串的软窗口作为附加输入传递给预测网络. 在网络进行预测的同时输出窗口的参数，以便网络动态确定文本和笔位置的对齐方式. 简而言之，网络将学习要写入的下一个字符.

给定特定的输入，经过训练的神经网络可以生成预期的输出. 如果我们拥有一个已知值的拟合网络模型，那么我们可以使用它来预测未来的结果. 股票市场预测就是一个明显的例子.

神经网络在不同行业中的应用

神经网络广泛用于实际业务问题中，例如销售预测，客户研究，数据验证和风险管理.

营销

精确营销涉及市场细分，并且根据不同的客户行为将市场划分为不同的客户组.

神经网络可以根据基本特征对客户进行细分，这些基本特征包括人口，经济状况，位置，购买方式和对产品的态度. 无监督神经网络可以根据客户属性的相似性自动进行分组，而无监督神经网络可以通过根据同一组客户的特征进行训练来了解客户分区之间的边界.

销售

神经网络能够同时考虑多个变量，例如市场需求，客户收入，人口和产品价格. 对于超市来说，预测销售额很有帮助.

例如，如果这两种产品在一段时间内有关联，那么购买打印机的客户将在3到4个月内返回购买新墨盒，然后零售商可以使用此信息与客户联系. 是时候减少顾客的竞争者在那购买产品的可能性了.

银行与金融

神经网络已成功用于衍生证券的定价和对冲，未来价格预测，汇率预测和股票表现. 传统上，这种软件是由统计技术驱动的. 但是，如今，神经网络是驱动决策的基础技术.

医学

医学领域的神经网络研究正在成为一种趋势. 相信在未来几年中，神经网络将被广泛用于生物医学系统. 目前，大多数研究都对人体的各个部位建模，并通过各种扫描来识别疾病.

结论

也许神经网络可以使我们对认知的“简单问题”有所了解: 大脑如何处理环境模拟？大脑如何整合信息？但是，真正的问题是，人类的这些过程为什么以及如何伴随着内在体验的生活，机器能否实现这种自我意识？

这使我们思考神经网络是否可以帮助艺术家的工作（一种重新组织视觉概念的新方法）甚至可以激发我们认识到所经历的创作过程的根源.

总而言之神经网络类型，神经网络使计算机系统更加用户友好，并且使它们更加有用. 因此，下次当您认为自己希望使自己的大脑像计算机一样可靠时，再想一想-脑中已经安装了这样的超级神经网络，您应该为此感到感激！

我希望初学者对神经网络的介绍可以帮助您创建第一个神经网络项目.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-258599-1.html