人工智能——神经网络基础

神经网络基础"/>

人工智能——神经网络基础

人工智能——神经网络基础

• 人类大脑神经元
• 人工神经元
• 神经网络模型
• • 层次型结构
  • 互连型网络结构
  • 前馈型网络
  • 反馈型网络
  • 记忆性网络

人类大脑神经元

人类大脑神经元：
神经元是大脑处理信息的基本单元人脑约由101l-1012个神经元组成，其中，每个神经元约与104-105个神经元通过突触联接，形成极为错纵复杂而且又灵活多变的神经网络
神经元以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干主要由细胞体、树突、轴突组成 。

生物神经元在结构上由四部分组成。用来完成神经元间信息的接收、传递和处理。

生物神经元传递信息的过程为多输入、单输出；
神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近；
当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质；
突触有两种类型，兴奋性突触和抑制性突触。前者产生正突触后电位，后者产生负突触后电位。

简单知道人脑神经元是怎么传递信息即可。

人工神经元

人工神经网络概念：
就是把一个描述生物神经网络运行机理和工作过程的抽象和简化了的数学-物理模型，表达成为一个以其中的人工神经元为节点、以神经元之间的连接关系为路径权值的有向图，再用硬件或软件程序实现该有向图的运行，其稳态运行结果体现生物神经系统的某种特殊能力。

神经元及其突触是神经网络的基本器件。因此，人工神经元就是研究在计算机上再现人脑神经网络结构

从三个方面进行模拟:

1. 节点本身的信息处理能力(数学模型)
2. 节点与节点之间连接(拓扑结构)
3. 相互连接的强度(通过学习来调整)

神经网络模型

1. 神经元的激活规则：主要对神经元的输入到输出之间的映射关系，通常是非线性函数也被称作激活函数。
2. 神经网络的拓扑结构：指神经元之间的关联，包括层数，链接方式，连接权值（神经网络中不断学习的调整参数）等。
3. 参数的学习算法：通过训练数据不断训练调整神经网络中的各项参数

目前，神经网络模型的种类比较多，已有近40余种神经网络模型，其中典型的有BP网络、Hopfield网络、CMAC小脑模型、ART自适应共振理论和Blotzman机网络等。

根据神经元的拓扑结构形式不同，神经网络可分成以下两大类：

PS：后面是结构模型参考图，对于只需简单了解基础的小伙伴，
可以不用看下面了。

层次型结构

单纯层次型结构

输出层到输入层有连接

层内有连接层次型结构

互连型网络结构

全互连型结构

局部互连型网络结构

前馈型网络

输入节点:只负责从外界引入信息后向前传递给第一隐层；具有处理能力的节点:包括各隐层和输出层节点。

神经元分层排列，顺序连接。由输入层施加输入信息，通过中间各层，加权后传递到输出层后输出。每层的神经元只接受前一层神经元的输入，各神经元之间不存在反馈。。

反馈型网络

所有节点都具有信息处理功能，而且每个节点既可以从外界接收输入，同时又可以向外界输出。

记忆性网络

参考资料

1. 《漫画人工智能》
2. 《神经网络与深度学习应用实战》
3. 百度百科
4. 《机器学习》——TomM.Mitchell
5. 360百科
6. 《神经网络讲解与实例》