图片：pixabay
来源：kd掘金
作者：贾纳维马汉塔
《机器人圈》编译：嗯~yxddy，多拉A上了。
Jahnavi Mahanta是Deeplearningtrack的联合创始人，deep learning track是一个面向在线导师的数据科学培训平台。
人工神经网络算法可以模拟人脑处理信息。接下来，我们将解释人脑和人工神经网络是如何工作的。
人工神经网络(ANN)是基于大脑处理信息的方式，从而开发出可用于复杂模式建模和预测问题的算法。
首先，我们需要知道我们的大脑如何处理信息：
在我们的大脑中，有数十亿个被称为神经元的细胞，它们以电信号的形式处理信息。神经元的树突接受外界的信息或刺激，在神经元的细胞体中进行加工，转化为输出，通过轴突传递给下一个神经元。下一个神经元可以选择接受还是拒绝，这主要取决于信号的强度。
第一步：树突接触外部信号。
第二步：神经元处理外部信号。
第三步：处理后的信号转化为输出信号，通过轴突传递。
第四步：输出信号通过突触被下一根神经的树突接收。
以上就是人脑中信息处理的过程。接下来，让我们试着理解ANN是如何工作的：
现在，w1、w2、w3分别给出输入信号的强度。
从上面可以看出，人工神经网络是大脑神经元如何工作的一个非常简单的表示。
为了让事情变得简单，让我们用一个简单的例子来帮助理解ANN:一家银行想要评估是否批准客户的贷款申请，因此它想要预测该客户是否可能会拖欠贷款。现在，它有以下数据：
因此，我们必须预测X柱。预测结果越接近1，客户违约的几率越大。
我们可以用这个例子来创建一个基于神经元结构的简单人工神经网络结构：
一般来说，上述示例的简单人工神经网络体系结构如下：
与架构相关的要点：
1.网络架构有一个输入层、一个隐藏层(可以是多个层)和一个输出层。因为层数多，所以也叫MLP(多层感知器)。
2.隐藏层可以看作是一个“蒸馏层”，从输入中提取一些重要的模式，并将其转移到下一层。它通过从输入中识别重要信息来消除冗余信息，从而使网络更快、更高效。
3.激活功能有两个显著的目的：
它可以捕捉输入之间的非线性关系。
它可以帮助将输入转化为更有用的输出。
在上面的示例中，使用的激活函数是sigmoid:
O1=1/1英-法
其中F=W1 * X1 W2 * X2 W3 * X3
Sigmoid激活函数创建一个值介于0和1之间的输出。当然，也可以使用其他激活功能，如Tanh、softmax和RELU。
4.同样，隐藏层导致输出层的最终预测：
O3=1/1 e-F 1
其中F 1=W7 * H1 W8 * H2
这里，输出值(O3)的范围在0和1之间。接近1的值(例如0.75)表示客户的默认值更高。
5.权重w是与输入相关联的重要点。如果W1是0.56，W2是0.92，那么在预测H1时，X2:债务比率比x1:年龄更重要。
6.上面的网络架构叫做“前馈网络”，可以看到输入信号只朝一个方向流动(从输入到输出)。我们还可以创建一个“反馈网络”，其中信号双向流动。
7.高精度的好模型提供非常接近实际值的预测。因此，在上表中，列x值应该非常接近列w值。预测误差是第W列和第X列之间的差异：
9.最常见的优化方法称为“梯度下降”，其中使用了迭代不同的W值，并对预测误差进行了评估。 因此，为了得到最优的W值，W值的变化很小，对预测误差的影响进行了评估。 最后，W的这些值被选为最优的，随着W的进一步变化，误差不会进一步降低。 要了解梯度下降的更详细的信息，请参考http://www.kdnuggets.com/2017/04/simple-understand-gradient-descent-algorithm.html
神经网络的主要优点：
1.ANN有一些关键优势，使它们更适合适用于某些问题和情况：
2.ANN有能力去学习和建模非线性和复杂的关系，这非常重要，因为在现实生活中，输入和输出之间的许多关系是非线性的，也是复杂的。
3.ANN可以通用化—在从初始输入及其关系学习之后，它可以推断出看不见的数据之间的看不见的关系，从而使得模型能够概括和预测未知数据。
与许多其他预测技术不同，ANN不会对输入变量施加任何限制（例如，如何分配）。此外，许多研究已经表明，ANN可以更好地模拟异方差性，即具有高易变性和非常数方差的数据，因为它具有在数据中学习隐藏关系的能力，而不在数据中强加任何固定的关系。这在数据波动率很高的金融时间序列预测（例如股票价格）中非常有用。
几个应用：
由于其一些奇妙的特性，ANN在很多领域中都会产生作用：
1.图像处理和字符识别：ANN具有很多输入的能力，可以处理它们来推断隐藏以及复杂的非线性关系，ANN在图像和字符识别中起着重要的作用。手写字符识别在欺诈检测（例如银行欺诈）甚至国家安全评估中有很多应用。图像识别是一个不断增长的领域，广泛应用于社会媒体的面部识别，医学中的癌症滞留以及农业和国防用途的卫星图像处理。目前，对神经网络的研究为深层神经网络铺平了道路，形成了“深度学习”的基础，现已开创了计算机视觉、语音识别、自然语言处理等一系列令人兴奋的转型创新，尤其是在自动驾驶汽车领域。
2.预测：在日常业务决策（例如销售、产品之间的财务分配、产能利用率）、经济和货币政策、金融和股票市场中广泛需要预测。更常见的是，预测问题是复杂的，例如，预测股价是一个复杂的问题，有许多潜在因素（一些是已知的，一些是未知的）。传统的预测模型考虑到这些复杂的非线性关系，引起了局限性。鉴于其能够建模和提取不可见的特征和关系，ANN以正确的方式应用，可以提供强大的替代方案。此外，与这些传统模型不同，ANN不对输入和剩余分布施加任何限制。
例如，在该领域进行的研究非常热——最近在使用LSTM和循环神经网络进行预测方面取得了进展。
ANN是具有广泛应用的强大的模型。以上，我列举了几个突出的例子，但它们在医药、安全、银行/金融以及政府、农业和国防等领域有着广泛的应用。
相关文章：
神经网络不直观性质综述
进化设计：如何用AutoML进化神经网络
深度学习零到一：5个适用于初学者使用的令人惊叹的演示代码