深度学习 4 人工神经网络

人工神经网络。

人工神经网络建立在人类神经元的结构和工作原理之上。 它也被称为神经网络或神经网络。 人工神经网络的输入层是第一层，它接收来自外部的输入并将其传递给隐藏层，即第二层。 隐藏层中的每个神经元都从上一层的神经元获取信息，计算加权总数，然后将其传输到下一层。 这些连接是加权的，这意味着通过为每个输入赋予不同的权重，或多或少地优化了前一层输入的影响。 然后在训练期间调整这些权重，以提高模型的性能。

人工神经元，也称为单元，存在于人工神经网络中。 整个人工神经网络由这些人工神经元组成，这些人工神经元排列成一系列层。 神经网络的复杂性将取决于数据集中底层架构的复杂性，无论一层中有十几个单元还是数百万个单元。 通常，人工神经网络具有输入层、输出层和隐藏层。 输入层接收来自外界的数据，神经网络需要分析或理解这些数据。

在全连接的人工神经网络中，有一个输入层和一个或多个隐藏层一个接一个地连接。 每个神经元都接收来自前一层神经元或输入层的输入。 一个神经元的输出成为网络下一层其他神经元的输入，这个过程一直持续到最后一层产生网络的输出。 然后，在通过一个或多个隐藏层后，这些数据被转换为输出层的有价值的数据。 最后，输出层以人工神经网络对输入数据的响应形式提供输出。

在大多数神经网络中，细胞从一层连接到另一层。 这些链接中的每一个都有权重，用于控制一个单元格对另一个单元格的影响程度。 当神经网络从一个单元移动到另一个单元时，它会越来越多地了解数据，最终从输出层产生输出。