DL之ANN/DNN： 人工神经网络ANN/DNN深度神经网络算法的简介、应用、经典案例之详细攻略

相关文章
DL：深度学习(神经网络)的简介、基础知识(神经元/感知机、训练策略、预测原理)、算法分类、经典案例应用之详细攻略

目录

ANN/DNN深度神经网络算法的简介

1、DNN VS 人类大脑

1、ANN的四个特性和三个优点

ANN/DNN深度神经网络算法的经典案例

          人工神经网络ANN（Artificial Neural Network）是由大量处理单元互联组成的非线性、自适应信息处理系统。它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

          ANN的基本过程可以概述如下：外部刺激通过神经末梢，转化为电信号，传导到神经细胞（又叫神经元）；无数神经元构成神经中枢；神经中枢综合各种信号，做出判断；人体根据神经中枢的指令，对外部刺激做出反应。其过程表述如上图所示。

          人工神经网络经历了漫长的发展阶段。最早是上个世纪六十年代提出的“人造神经元”模型，叫做“感知器”（perceptron）。感知机模型，是机器学习二分类问题中的一个非常简单的模型。它的基本结构如下图所示：

          随着反向传播算法、最大池化（max-pooling）等技术的发明，神经网络进入了飞速发展的阶段。神经网络就是将许多个单一“神经元”联结在一起，这样，一个“神经元”的输出就可以是另一个“神经元”的输入。典型的人工神经网络具有以下三个部分：

• 结构（Architecture）结构指定了网络中的变量和它们的拓扑关系。
• 激励函数（Activity Rule）大部分神经网络模型具有一个短时间尺度的动力学规则，来定义神经元如何根据其他神经元的活动来改变自己的激励值。
• 学习规则（Learning Rule）指定了网络中的权重如何随着时间推进而调整。

         一个典型的人工神经网络结构如下图所示

1、DNN VS 人类大脑

1、ANN的四个特性和三个优点

          人工神经网络具有四个基本特征：非线性、非局限性、非常定性和非凸性。
          人工神经网络的特点和优越性，主要表现在三个方面：具有自学习功能、具有联想存储功能和具有高速寻找最优解的能力。

相关案例非常多，请自行查询本博客文章即可！