Root 编译自 Jay Shah寄几的博客

量子位 出品 | 公众年夜众号 QbitAI

最近，神经网络这个词特殊火，吸引不少眼球。
但是神经网络是个啥？有啥用？

这篇文章和大家唠唠，啥是神经网络，对付初学者来说紧张有哪些寻衅，以及先容几种经典的神经网络类型，和干系行业运用。

神经网络的事情事理

基本上，神经网络是由一层一层的不同的打算单位连接起来的。
我们把打算单位称为神经元，这些网络可以把数据处理分类，便是我们要的输出。

每个神经元把最初的输入值乘以一定的权重，并加上其他输入到这个神经元里的值（并结合其他信息值），末了算出一个总和，再经由神经元的偏差调度，末了用勉励函数把输出值标准化。

迭代的学习过程

神经网络有个很关键的特色，它的学习过程是迭代的。
也便是说，在学习期间，处理数据的过程会不断重复，而且为了准确预测输入值的分类，每次都会调度和输入数据有关的权重。

神经网络的优点，在于他们对很乱的数据的容忍度很高，同时也有很强的分类能力，连未演习的数据也能区分出来。

而最受欢迎的神经网络算法，是反向传播算法。

为理解决某个特定问题，神经网络要得到足够的演习。
在演习最开始的时候，初始权重是随机定的。

如果在输出层得不到期望的输出值，则取输出与期望的偏差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修正权值的依据，网络的学习在权值修正过程中完成。
偏差达到所期望值时，网络学习结束。

神经网络通过隐蔽层里的权重和函数，一次处理演习集里的一组数据，然后把输出值和实际结果为难刁难比。
然后把偏差返回给全体网络系统，针对要办理的问题来调权重。
再输入下一组数据，看偏差值有没有变小。

这个过程要不断地反复调度权重。
以是在演习的过程中，同一组数据会被处理很多次，直到每一层的权重都被风雅地调校过。

这个过程有多困难呢？

对付神经网络的初学者来说，个中的一个寻衅是要理解每一层有什么用。
我们知道，在演习过后，每一层都会抽取出来输入值的高阶或更高阶的特色，直到末了一层决定输入的特色所指的是什么。
那这个过程是怎么完成的？

与其指定神经网络末了放大的特色，还不如让神经网络自己得出来。

由于神经网络的每一层的处理，是不同维度的抽象特色。
以是强化哪一层，会对末了的值的特色的繁芜性有不同的影响。
而在我们选了个中一个层后，就可以看到神经网络末了增强了什么的特色。

接下来，我们会理解一下自动编码器，卷积神经网络和循环神经网络。

自动编码器

根据之前的履历，随机初始化的结果并不好。
所以为了得到更好的初始权重，我们可以考虑用无监督学习算法来预演习每个层。

类似的例子，可以参考被无监督算法演习的Deep Belief Networks。
最近，有一些新的研究考试测验在这个领域探求打破，比如，利用概率自动编码器的变分方法。

不过实际上，它们很少被用到。
最近，对付更深的神经网络来说，已经可以进行批量地标准化。
通过残差学习，我们能从头开始演习任意深度神经网络了。
在适当的维度和稀疏性的约束下，自动编码器可以学习到，比PCA或其他基本技能更有趣的数据投影。

我们来看看两个有趣的自动编码器的实际运用：

医学图像的降噪

通过卷积层，自动编码器实现高效降噪。

△ 降噪自动编码器，便是设定为忽略某些输入的

在随机滋扰过程中，通过随机地将一些输入数据设为零，让降噪自动编码器自己判断哪些是丢失（破坏）的值，从而预测出哪些是丢失模式的子集。

数据可视化

用主身分剖析（PCA），和t分布随机相邻嵌入（t-SNE）等方法，可以实现降维。
在演习神经网络的时候，结合以上方法，能提高模型的预测精度。
而且，多层神经网络的预测精度很大程度上依赖于神经网络构造，预处理的数据，以及该神经网络要办理的问题类型。

卷积神经网络

卷积神经网络，这个名字是来源于“卷积”运算符。
它的紧张目的，在于从输入的图像中提取特色。
而特色的提取，是通过利用输入数据里3×3的区域学习到的。
这样，卷积网络就能够保留像素之间的空间关系。

卷积神经网络在以下领域取得了成功：

人脸识别

级联卷积神经网络，可以快速高效地识别人脸。
检测器先用低分辨率评估输入图像，把非面部区域快速打消掉，再以更高的分辨率，仔细处理并精确检测更繁芜的区域。

为了加速检测并提高边框质量，还在级联中引入了校准网络。

自动驾驶

卷积神经网络传统上用于图像剖析和目标识别。

在自动驾驶的项目中，空间纵深的估算能力特殊主要。
没有它，就无法确保搭客和其他车辆的安全。
NVIDIA的自动驾驶汽车等项目，就已经开始利用CNN了。

CNN非常灵巧，可以通过多层的参数来处理输入，个中还包括深度信念网络（DBN）。

其余，还有个好玩的用法， 可以在游戏仿照器中，用CNN来开车并预测转弯的角度 。

循环神经网络

循环神经网络可以天生序列。
每次处理单组的真实数据序列之后，就预测接下来会发生什么。
那这种模型是怎么一步一步搭起来的呢？

假设，预测的结果是存在概率分布的话，那么可以反复取各种输入值，产生新的序列。
输入值的来源可以是已经演习过的网络的输出值，取得越分散越好。
换句话说，让神经网络把自己天生的结果，当作真实天下里产生的数据值，用作输入，就像一个人在做梦一样。
梦里那些虚幻不存在的场景，也能成为我们影象中感知的一部分。

预测

神经网络经由演习后，给定一个输入值，就能得到在预期内的输出值。

如果我们有个神经网络，能够完美地拟合一系列已知的值，那么这个网络也能预测未来的值。

现在，预测股价的模型用得最6。

在真实的商业环境里，神经网络已经运用很广泛了，比如发卖量预测，用户调查，数据有效性，和风险调控。

市场

目标市场与市场细分有关，根据用户不同的消费行为，我们能把市场划分得很细。

按地域分布，经济能力、购买习气、对产品的态度等维度分类，是神经网络最拿手的事。
无监督学习可以自动把有相似属性的用户分类到一起。

零售行业

神经网络用来预测超市的发卖量特殊有上风，由于它能多维度考虑问题。
比如一个产品可能有多大的市场需求量，一个消费者的收入，人口分布，产品价格等方面。

一旦两个商品，在某段韶光内他们的发卖量存在间接的联系，像一个用户买完打印机之后，很大可能会在3到4个月的时候须要补充新墨盒，那么零售商可以从顾客的购买数据来有效地推产品，避免顾客流失落到竞争对手那。

金融行业

神经网络已经成功办理了多个金融类的问题，比如衍生类的保值型理财产品，未来代价的预测，外汇汇率的预测，以及股票市场的表现。
以前，是数据技能驱动着软件的发展；现在，神经网络驱动着大家做出更优的理财选择。

医药行业

高效的人体生理系统建模、快速检测疾病这些方面的事情，须要大量神经网络来支持。
大家都很看好未来神经网络在医疗领域大规模的运用。

大概，用神经网络办理实际问题的同时，未来神经网络还能当艺术家创作的工具，稠浊出新的视觉效果。
说不定我们还可以从中创造创意的规律。

总的来说，神经网络让打算机更像人，get到越来越多的技能，可以帮我们做更多的事儿。

原文链接：

http://t.cn/RYqmhBG

— 完 —

诚挚招聘

量子位正在招募编辑/，事情地点在北京中关村落。
期待有才华、有激情亲切的同学加入我们！
干系细节，请在量子位"大众号(QbitAI)对话界面，回答“招聘”两个字。

量子位 QbitAI · 号签约作者

վ'ᴗ' ի 追踪AI技能和产品新动态