近年来，由于人工神经网络（ANN）具有模仿人脑并执行原本认为不可能的活动的能力，因此受到了极大的关注。众所周知，它是整个机器学习中最智能的部分。

PyTorch和Tensorflow等许多框架和库构建，使训练和部署神经网络变得非常容易，快速和简单。但是，了解基本概念使运用这些库充满信心并为推进主题做出贡献是有益的。

从本质上讲，神经网络是在互连的多层结构中一起工作的节点的集合。每个节点大致类似于动物脑中的神经元，该神经元接受可以是图像像素，单词，句子，数字等的输入，对其进行处理，然后将处理后的状态转发到另一个节点以进行进一步处理，最后创建输出或推断。

整个生命周期大致分为训练和测试阶段。使用历史数据对ANN进行训练，并使用测试数据集进行测试以验证训练后的网络的效率。在训练数据中，选择了一组特征（也称为特征，即X i），这些特征就是预测所基于的特征。这些特征将通过一组隐藏层传递，这些隐藏层将尽自己最大的努力来更好地理解和接近正确地预测输入。预测结果（也称为“标签”，称为Y ）是神经网络为最佳识别数据所做的猜测。

信不信由你，这些隐藏层实际上是如何工作的仍然是未知的，整个过程都是反复试验，直到达到最佳状态。此外，请务必记住，这些隐藏层会消耗大量处理能力，并且在达到中间要添加的层数或到达之前要迭代的次数之间保持平衡是至关重要的那个地方。

激活函数

如果Xi是隐藏层的输入，则Xi + 1可以是该层的输出。 对每个输入或特征（Xi），施加一个特定的权重（Wi）和一个偏差（bi），以输出一个值。权重和偏差都是随机选择的，以便更好地定位输入以预测输出。然后应用基本上基于阈值的激活函数（f）。

流行的激活函数之一是Sigmoid函数。此函数接受其输入，如果输入大于阈值，则将其转发到下一层；如果小于阈值，则将其变为零。

激活函数（F）

正向传播

激活函数的每个输出要么触发另一个神经元，要么根据其在多层中的位置给出最终预测。每一层都从上一层获取输入，对其进行处理，然后输出将被丢弃或传递到下一层。最后一层（Y）的输出被视为所提供要素的预测值或标签。

特征到标签映射

反向传播

每次迭代后，将预测值（Y）与实际值（例如Ya）进行比较。我们的想法是，以最小化差的预测值和实际值（Y 一〜Y）。在每次迭代中相应地调整权重和偏差值，以使预测更接近实际。此过程称为反向传播。但是，请务必谨慎，不要使用归纳技术过于接近真实值。

成本函数

每次迭代后，预测将通过成本函数传递，以了解预测与实际有何不同。流行的成本函数之一是均方误差函数。在MSE中，实际值与预测值之差的平方除以提供的特征数以获得平均值。

均方误差

目的是将成本最小化到最佳水平，以使预测或多或少地与实际数据保持一致。

梯度下降

成本函数输出（也称为成本）与相应的权重映射如下：

梯度下降

成本最低的权重就是为产生最佳预测所选择的权重。此外，我们希望使用最佳学习率（蓝色箭头）以最少的步骤数达到最低的成本。

经过整个训练过程后，最终的网络将接受新的数据输入以对其进行预测。使用Accuracy，Precision和Recall等技术来监视预测效率。存储输入数据，并在下一个训练周期中将其用于训练ANN，以提高效率和准确性。

这就是了解人工神经网络的基本知识。我相信以上内容对帮助您对神经网络和机器学习领域很有用。

免责声明：本文来自不靠谱的熊大客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。