人工神经网络和反向传播算法

快捷方式: 差异，相似，杰卡德相似系数，参考。

人工神经网络和反向传播算法之间的区别

人工神经网络 vs. 反向传播算法

人工神经网络（Artificial Neural Network，ANN），简称神经网络（Neural Network，NN）或類神經網絡，在机器学习和认知科学领域，是一种模仿生物神经网络（动物的中樞神經系統，特别是大脑）的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统，通俗的講就是具備學習功能。现代神经网络是一种非线性统计性数据建模工具。典型的神经网络具有以下三个部分：. 反向传播（Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。 反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种監督式學習方法，虽然它也用在一些无监督网络（如）中。它是多层前馈网络的的推广，可以用链式法则对每层迭代计算梯度。反向传播要求（或“节点”）的激励函数可微。.

前馈神经网络

前馈神经网络（英文：Feedforward Neural Network），為人工智能領域中，最早发明的簡單人工神经网络类型。在它内部，参数从输入层向输出层单向传播。有異於递归神经网络，它的内部不会构成有向环。.

人工神经网络和前馈神经网络 · 前馈神经网络和反向传播算法 · 查看更多 »

生物神经网络

生物神经网络（Biological Neural Networks）一般指生物的神经元、细胞、触点等组成的网络，用于产生生物的意识，帮助生物进行思考和行动。.

人工神经网络和生物神经网络 · 反向传播算法和生物神经网络 · 查看更多 »

非監督式學習

非監督式學習是一種機器學習的方式，並不需要人力來輸入標籤。它是監督式學習和強化學習等策略之外的一種選擇。在監督式學習中，典型的任務是分類和迴歸分析，且需要使用到人工預先準備好的範例(base)。 一個常見的非監督式學習是数据聚类。在人工神經網路中，生成對抗網絡（GAN）、自組織映射（SOM）和適應性共振理論（ART）則是最常用的非監督式學習。 ART模型允許叢集的個數可隨著問題的大小而變動，並讓使用者控制成員和同一個叢集之間的相似度分數，其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別，如自動目標辨識和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。.

人工神经网络和非監督式學習 · 反向传播算法和非監督式學習 · 查看更多 »

感知器

感知器（英语：Perceptron）是Frank Rosenblatt在1957年就职于康奈尔航空实验室（Cornell Aeronautical Laboratory）時所發明的一種人工神經網路。它可以被視為一種最簡單形式的前馈神經網路，是一種二元线性分类器。 Frank Rosenblatt给出了相应的感知机学习算法，常用的有感知机学习、最小二乘法和梯度下降法。譬如，感知机利用梯度下降法对损失函数进行极小化，求出可将训练数据进行线性划分的分离超平面，从而求得感知机模型。 感知机是生物神经细胞的简单抽象。神经细胞结构大致可分为：树突、突触、及轴突。单个神经细胞可被视为一种只有两种状态的机器——激动时为『是』，而未激动时为『否』。神经细胞的状态取决于从其它的神经细胞收到的输入信号量，及突触的强度（抑制或加强）。当信号量总和超过了某个阈值时，细胞体就会激动，产生电脉冲。电脉冲沿着轴突并通过突触传递到其它神经元。为了模拟神经细胞行为，与之对应的感知机基础概念被提出，如权量（突触）、偏置（阈值）及激活函数（细胞体）。 在人工神经网络领域中，感知机也被指为单层的人工神经网络，以区别于较复杂的多层感知机（Multilayer Perceptron）。作为一种线性分类器，（单层）感知机可说是最简单的前向人工神经网络形式。尽管结构简单，感知机能够学习并解决相当复杂的问题。感知机主要的本质缺陷是它不能处理线性不可分问题。.

人工神经网络和感知器 · 反向传播算法和感知器 · 查看更多 »