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
2023-09-14 09:04:47 时间
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
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。
ANN/DNN深度神经网络算法的经典案例
相关案例非常多,请自行查询本博客文章即可!
相关文章
- Mybatis+mysql动态分页查询数据案例——分页工具类(Page.java)
- Mybatis+MySQL动态分页查询数据经典案例(含代码以及测试)
- SPSS统计分析案例:无空白列重复正交试验设计方差分析
- 数字化转型案例解读:德意志银行数字化转型背后不为人知的故事
- CV:人工智能之计算机视觉方向的简介(CV发展史+传统方法对比CNN类算法+CV类会议/期刊、主要研究方向)、计算机视觉四大研究方向以及十大具体应用领域(知识导图+经典案例)之详细攻略
- ML之LiR:机器学习经典算法之线性回归算法LiR的简介、使用方法、经典案例之详细攻略
- EL之AdaBoost:集成学习之AdaBoost算法的简介、应用、经典案例之详细攻略
- DL之Keras:基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典,建议收藏)
- 机器学习案例(六):Python 大数据进行信用卡欺诈检测(完整源码和分析)
- HTML+CSS小实战案例
- 数学编程:经典数学编程案例之斐波那契:斐波那契数列的简介、代码实现、exe程序应用(斐波纳契时钟设计)之详细攻略
- Shell脚本经典案例:探测批量主机是否存活