大家好，感谢邀请，今天来为大家分享一下你还不知道什么是神经网络？十分钟教你跟上人工智能热潮的问题，以及和的一些困惑，大家要是还不太明白的话，也没有关系，因为接下来将为大家分享，希望可以帮助到大家，解决大家的问题，下面就开始吧！

最近，神经网络这个词特别流行，引起了很多人的关注。但什么是神经网络？有什么用呢？

本文向您介绍什么是神经网络，初学者面临的主要挑战是什么，并介绍了几种经典的神经网络类型和相关行业应用。

神经网络的工作原理

基本上，神经网络是由逐层连接的不同计算单元组成。我们把计算单元称为神经元，这些网络可以对数据进行分类处理，这就是我们想要的输出。

每个神经元将初始输入值乘以一定的权重，加上输入到该神经元的其他值（并与其他信息值相结合），最后计算出一个和，然后根据神经元的偏差进行调整，最后使用激活函数标准化输出值。

迭代学习过程

神经网络有一个非常关键的特点，它的学习过程是迭代的。也就是说，在学习过程中，重复处理数据的过程，并且每次调整与输入数据相关的权重，以便准确地预测输入值的分类。

神经网络的优点是对杂乱数据有很高的容忍度，而且还具有很强的分类能力，甚至可以区分未经训练的数据。

最流行的神经网络算法是反向传播算法。

为了解决特定问题，神经网络必须经过充分的训练。在训练开始时，随机确定初始权重。

如果输出层没有得到期望的输出值，则将输出与期望值之间的误差平方和作为目标函数，转入反向传播。逐层计算目标函数对每个神经元权重的偏导数，形成目标函数对权重向量的梯度，作为修改权重的基础。网络的学习是在权值修改过程中完成的。当误差达到期望值时，网络学习结束。

神经网络通过隐藏层中的权重和函数每次处理训练集中的一组数据，然后将输出值与实际结果进行比较。然后将误差返回给整个网络系统，并根据要解决的问题调整权重。输入下一组数据，看偏差值是否变小。

这个过程需要不断地、反复地调整权重。因此，在训练过程中，同一组数据会被处理多次，直到对每一层的权重进行精细调整。

这个过程有多难？

对于神经网络的初学者来说，挑战之一是理解每一层的作用。我们知道，训练后，每一层都会提取输入值的高阶或更高阶特征，直到最后一层确定输入特征指的是什么。这个过程是如何完成的呢？

与其指定神经网络最终要放大的特征，不如让神经网络自己弄清楚。

由于神经网络每一层的处理都是不同维度的抽象特征。因此，强化哪一层会对最终价值特征的复杂度产生不同的影响。当我们选择其中一层后，我们可以看到神经网络最终增强了哪些特征。

流行的神经网络类型及其应用

接下来，我们将了解自动编码器、卷积神经网络和循环神经网络。

自动编码器

根据以往的经验，随机初始化的结果并不好。所以为了得到更好的初始权重，我们可以考虑使用无监督学习算法来预训练每一层。

类似的例子，可以参考无监督算法训练的深度置信网络。最近，一些新的研究试图在该领域寻找突破，例如使用概率自动编码器的变分方法。

然而，在实践中，它们很少被使用。最近，批量归一化对于更深的神经网络来说已经成为可能。通过残差学习，我们可以从头开始训练任何深度神经网络。在适当的维度和稀疏性约束下，自动编码器可以学习比PCA 或其他基本技术更有趣的数据投影。

让我们看看两个有趣的自动编码器的实际应用：

医学图像降噪

通过卷积层，自动编码器实现了高效的降噪。

降噪自动编码器设置为忽略某些输入

在随机干扰过程中，通过随机将一些输入数据设置为零，去噪自动编码器可以自行确定哪些值丢失（损坏），从而预测丢失模式的哪些子集。

数据可视化

可以使用主成分分析(PCA) 和t 分布随机邻域嵌入(t-SNE) 等方法来实现降维。在训练神经网络时，结合上述方法可以提高模型的预测精度。此外，多层神经网络的预测精度很大程度上取决于神经网络结构、预处理的数据以及神经网络要解决的问题类型。

卷积神经网络

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有效地识别人脸。检测器首先以低分辨率评估输入图像，以快速排除非面部区域，然后以更高分辨率仔细处理并准确检测更复杂的区域。

为了加快检测速度并提高边界质量，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分析和对象识别。

在自动驾驶项目中，估计空间深度的能力尤为重要。没有它，乘客和其他车辆的安全就无法得到保证。 NVIDIA的自动驾驶汽车和其他项目已经开始使用CNN。

CNN 非常灵活，可以通过多层参数处理输入，包括深度置信网络(DBN)。

除此之外，还有一个有趣的用法。您可以使用CNN 在游戏模拟器中驱动并预测转向角度。

循环神经网络

循环神经网络可以生成序列。每次处理一组真实数据序列时，预测接下来会发生什么。那么这个模型是如何一步一步建立起来的呢？

预测

神经网络经过训练后，给定输入值，可以获得期望的输出值。

如果我们有一个可以完美拟合一系列已知值的神经网络，那么该网络还可以预测未来值。

如今，最常用的模型是预测股票价格。

不同领域里神经网络的应用

在实际业务环境中，神经网络已得到广泛应用，例如销售预测、用户调查、数据有效性、风险控制等。

市场

目标市场与市场细分有关。根据用户的不同消费行为，我们可以把市场划分得很细。

从地理分布、经济能力、购买习惯、对产品的态度等维度进行分类，是神经网络最擅长的。无监督学习可以自动将具有相似属性的用户分类在一起。

零售业

神经网络对于预测超市销售特别有利，因为它们可以考虑多个维度的问题。例如，一种产品可能有多少市场需求、消费者的收入、人口分布、产品价格等。

一旦两种产品在一定时间内的销量之间存在间接联系，例如用户购买打印机后，很有可能在3到4个月内需要补充新的墨盒，那么零售商可以从客户购买数据中学习，以有效地推广产品并避免客户流失给竞争对手。

金融业

神经网络成功解决了许多金融问题，例如衍生保值金融产品、未来价值预测、外汇汇率预测、股票市场表现等。过去，数据技术驱动软件的发展；现在，数据技术驱动软件的发展。现在，神经网络推动每个人做出更好的财务选择。

医药行业

高效的人体生理系统建模和快速疾病检测需要大量神经网络的支持。大家都看好神经网络未来在医疗领域的大规模应用。

结论

或许，在利用神经网络解决实际问题的同时，未来神经网络也可以作为艺术家混合新视觉效果的创作工具。也许我们还可以发现创造力的规律。

总的来说，神经网络让计算机变得更像人类，获得越来越多的技能，可以帮助我们做更多的事情。

原文链接：

http://t.cn/RYqmhBG

– 超过-

诚意招聘

用户评论

采姑娘的小蘑菇

终于有人解释了什么是神经网络！我一直感觉这个词听起来很神秘，现在总算明白是怎么回事了。这篇文章讲解得很通俗易懂，虽然时间短，但是点明了关键内容，让我对人工智能有了更清晰的概念。

    有15位网友表示赞同！

予之欢颜

十分钟教会你了解神经网络？说白了就是忽悠人的说法，感觉这个标题有点虚假宣传的味道。想要真正理解神经网络需要花很多的时间和精力学习，这篇文章能提供的是一些基本概念，但远远不够深入。

    有8位网友表示赞同！

﹎℡默默的爱

虽然时间短，但这篇文章还是把神经网络的本质讲得很清楚了。我之前一直对人工智能很感兴趣，但这方面知识确实有点吃力。希望以后能有更多更深入的科普文章！

    有14位网友表示赞同！

?娘子汉

标题太夸张了吧，“十分钟”的时间真的可以学会神经网络吗？我觉得这是在炒概念，让人产生误解。如果想真正学习神经网络，还是要依靠系统性的教学和实践积累。

    有20位网友表示赞同！

那伤。眞美

这篇文章讲解得很有意思，用通俗的语言解释了神经网络的概念，让我第一次感觉人工智能不再那么遥远了。我之前也看过一些关于人工智能的文章，但都没有像这篇写得这么清晰易懂。

    有16位网友表示赞同！

花开丶若相惜

终于找到了一个好用的入门文章！我一直想学习一下神经网络，但是很多介绍都很枯燥乏味。这篇文章讲得很生动有趣，帮我快速入门了人工智能的基础知识。

    有15位网友表示赞同！

无望的后半生

我觉得这篇文章只谈了神经网络的表面现象，没有深入到其原理和应用场景。想要真正了解神经网络还需要进一步学习相关书籍和课程。

    有20位网友表示赞同！

此刻不是了i

我感觉这篇文章对神经网络的解释还是比较浅层的，就像给你喂了一点点点心，并没有让你真正吃饱。要真正理解人工智能背后的逻辑，需要投入更多的时间和精力进行深入学习。

    有5位网友表示赞同！

哽咽

终于有机会学习下热门话题“神经网络”了！这款教学视频节奏明快，讲解得也很到位，让我对神经网络的概念有了初步的了解。

    有17位网友表示赞同！

盲从于你

标题确实吸引人，让人感觉自己只要掌握这篇文章就能跟上人工智能热潮，但实际阅读后发现内容还是比较浅显的。想要成为人工智能领域专家还需要持续学习和实践。

    有10位网友表示赞同！