什么是深度学习和神经网络

神经网络 和 深度学习 是目前人工智能中使用的两个热门流行词。人工智能领域的最新发展可归因于这两者，因为它们在改善人工智能的智能方面发挥了重要作用。环顾四周，你会发现周围有越来越多的智能机器。由于神经网络和深度学习，曾经被认为是人类优势的工作和能力现在正由机器来完成。今天，机器不再需要吃更复杂的算法，而是将它们发展成自主的自我教学系统，能够彻底改变许多行业。

神经网络

和 深度学习 已经为研究人员在图像识别，语音识别，数据集中的深层关系等方面取得了巨大的成功。在大量数据和计算能力的支持下，机器可以识别物体，翻译语音，训练自己识别复杂模式，学习如何制定策略并实时制定应急计划。 那么，这究竟如何工作？你知道吗，中立网络和深度学习实际上都是相关的，为了理解深度学习，你首先必须了解神经网络？了解更多信息

什么是神经网络

神经网络基本上是一种编程模式或一组算法，可使计算机从观测数据中学习。神经网络类似于人脑，它通过识别模式起作用。使用机器感知，标记或聚集原始输入来解释感官数据。识别出的模式是数字的，用向量包围，数据是图像，声音，文本等被翻译的数据。

认为神经网络！想想人类的大脑功能如何如上所述，神经网络就像人脑一样运作;它通过学习过程获得所有知识。之后，突触权重存储获得的知识。在学习过程中，网络的突触权重被改造以实现期望的目标。

就像人脑一样，神经网络像非线性并行信息处理系统一样工作，其快速执行计算，例如模式识别和知觉。因此，这些网络在语音，音频和图像识别等领域的表现非常出色，输入/输出信号本质上是非线性的。

简单地说，您可以记住神经网络，它能够像人类一样储存知识大脑并用它来做出预测

神经网络的结构

（图片来源：Mathworks）

神经网络由三层组成，

输入层，

隐藏层和

1. 输出层。
2. 每个图层由一个或多个节点组成，如下图中小圆圈所示。节点之间的连线表示从一个节点到下一个节点的信息流。信息从输入流向输出，即从左到右（在某些情况下，可能是从右向左或两种方式）。
3. 输入层的节点是被动的，这意味着它们不会修改数据。他们在输入中收到一个值，并将值复制到其多个输出中。而隐藏层和输出层的节点是活动的。因此，他们可以修改数据。

在互连结构中，来自输入层的每个值都被复制并发送到所有隐藏节点。进入隐藏节点的值乘以权重，这是存储在程序中的一组预定数字。加权输入然后被添加以产生单个数字。神经网络可以具有任意数量的层，并且每层可以具有任意数量的节点。大多数应用程序使用三层结构，最多有几百个输入节点

神经网络示例

考虑在声纳信号中识别物体的神经网络，并且在PC中存储了5000个信号样本。个人电脑必须弄清楚这些样品是代表潜艇，鲸鱼，冰山，海洋岩石还是什么都没有？传统的DSP方法会用数学和算法来解决这个问题，如相关性和频谱分析。

使用神经网络时，5000个样本将被馈送到输入层，导致输出层出现数值。通过选择合适的权重，可以将输出配置为报告各种信息。例如，可能会有以下输出：潜艇（是/否），海岩（是/否），鲸鱼（是/否）等。

使用其他权重，输出可以将对象分类为金属或非金属金属，生物或非生物，敌人或盟友等。没有算法，没有规则，没有程序;

现在，让我们了解深度学习的概念

什么是深度学习

深度学习基本上是神经网络的一个子集;也许你可以说一个复杂的神经网络，其中有许多隐藏层。从技术上讲，深度学习也可以被定义为一套强大的神经网络学习技术。它指由多层，大量数据集，强大的计算机硬件组成的人工神经网络（ANN），使复杂的训练模型成为可能。它包含一系列使用人工神经网络和多层功能越来越丰富的方法和技术。

深度学习网络的结构

深度学习网络主要使用神经网络架构，因此通常称为深度神经网络。工作“深”的使用指的是神经网络中隐藏层的数量。一个传统的神经网络包含三个隐藏层，而深度网络可以有多达120-150个。

深度学习涉及向计算机系统提供大量数据，可以用来做出有关其他数据的决策。这些数据通过神经网络提供，就像机器学习一样。深度学习网络可以直接从数据中学习功能，而无需手动特征提取。

深度学习的示例

几乎所有行业都开始从汽车，航空航天，自动化到医疗领域使用深度学习。以下是一些示例：

Google，Netflix和Amazon：Google将其用于语音和图像识别算法。 Netflix和亚马逊也使用深度学习来决定你想要观看或购买下一个

驾驶没有驾驶员：研究人员利用深度学习网络自动检测停车标志和交通信号灯等物体。深度学习也被用来检测行人，这有助于减少事故发生。

航空和国防：深度学习用于识别定位感兴趣区域的卫星物体，并为部队识别安全或不安全的区域。

• 感谢深度学习，Facebook会自动在您的照片中找到并标记好友。
• 医学研究：医学研究人员正在使用深度学习来自动检测癌细胞
• 工业自动化：深度学习有助于提高重型机器周围的工人安全，自动化检测人或物体何时处于机器不安全距离内
• 电子学：正在使用深度学习进行自动化听觉和语音翻译。
• 结论
• 神经网络的概念并不新鲜，研究人员也见过在过去十年左右取得了中等成功。但真正的游戏改变者一直是深度神经网络的发展
• 通过超越传统的机器学习方法，它展示了深度神经网络不仅可以由少数研究人员进行训练和试验，而且可以用于被跨国技术公司采用，在不久的将来会有更好的创新。

感谢深度学习和神经网络，人工智能不仅仅是在完成这些任务，而是开始思考！