深度学习 CNN 入门

                     

贡献者: 刘煜彬

   现在人工智能很火,其中卷积神经网络在计算机视觉等各个领域都有所运用,此文主在解释其背后原理。 而 CNN 的运用将在下一章进行详细介绍(主要是对计算机视觉领域)。

   在了解卷积神经网络前,先得知道神经网络是一种受到生物神经系统启发的人工智能模型,它重现了大脑中神经元之间相互连接的方式。神经网络在诸多领域中取得了显著成就,如图像识别、自然语言处理和语音识别等。这篇博客将为您解释神经网络的构造,让您能够理解这个令人着迷的领域的基本工作原理。

1. 神经元

   首先需要了解神经元,这是神经网络的基本构建块。

   1.神经元的结构:每个神经元都由细胞体、树突和轴突组成。细胞体包含核心部分,树突接收来自其他神经元的信号,而轴突将信号传递给其他神经元。 2.信号传递:神经元之间的通信是通过电化学信号完成的。当信号通过树突传递到细胞体时,如果达到一定阈值,神经元就会触发并将信号传递给下一个神经元。

图
图 1:神经元

2. 神经元数学模型

   我们将生物神经元的概念转化为数学模型。人工神经元是神经网络的基本构建块,负责对输入进行处理和传递信号。输入可以类比为神经元的树突,而输出可以类比为神经元的轴突,计算则可以类比为细胞核。

   输入和权重:人工神经元接收多个输入,每个输入都有一个相关联的权重,这相当于人工神经网络的记忆。这些权重决定了每个输入对神经元的影响程度。

图
图 2:神经元数学模型

   激活函数:在人工神经元中,激活函数决定了神经元是否激活(发送信号)。常见的激活函数包括 Sigmoid、ReLU 和 Tanh。

图
图 3:激活函数

   神经网络:是由大量的节点(或称 “神经元”)和之间相互的联接构成。而由两层神经元组成的神经网络称之为--“感知器”(Perceptron),感知器只能线性划分数据。在输入和权值的线性加权和叠加了一个函数 g(激活函数),加权计算公式为:

\begin{equation} g(W * x) = z~. \end{equation}

图
图 4:神经网络

   现在我们可以将多个人工神经元组合在一起,形成神经网络。神经网络由多个层组成,包括输入层、隐藏层和输出层,也称为多层感知器。 在神经网络中需要默认增加偏置神经元(节点),这些节点是默认存在的。它本质上是一个只含有存储功能,且存储值永远为 1 的单元。在神经网络的每个层次中,除了输出层以外,都会含有这样一个偏置单元。(如下图)

图
图 5:多层神经网络

   输入层:接收原始数据的输入,例如图像像素或文本单词。

   隐藏层:这是神经网络的核心部分,包含多个层次的神经元。隐藏层负责从输入中学习特征并生成有用的表示。

   输出层:根据学到的特征生成最终的输出,可以是分类标签、数值或其他任务相关的结果。

   需要注意,输入层的节点数:与特征的维度匹配。输出层的节点数:与目标的维度匹配。

   中间层的节点数:目前业界没有完善的理论来指导这个决策。一般是根据经验来设置。较好的方法就是预先设定几个可选值,通过切换这几个值来看整个模型的预测效果,选择效果最好的值作为最终选择。

   结构图里的关键不是圆圈(代表 “神经元”),而是连接线(代表 “神经元” 之间的连接)。每个连接线对应一个不同的权重(其值称为权值),这是需要训练得到的。

3. 训练神经网络

   神经网络的关键部分之一是训练过程。在训练中,神经网络通过与真实数据进行比较来调整权重,以使其能够做出准确的预测。

   1.反向传播算法:是训练神经网络的核心算法。它通过计算误差并反向传播,以更新每个神经元的权重和偏差,从而减小预测误差。

   2.损失函数:损失函数用于度量预测和实际值之间的差异。训练的目标是最小化损失函数。

                     

© 小时科技 保留一切权利