神经网络 (NN)

了解神经网络

神经网络由多层相互连接的节点或神经元组成。这些层通常包括接收原始数据的输入层、处理数据的一个或多个隐藏层，以及产生最终结果（如分类或预测）的输出层。神经元之间的每个连接都有一个权重，表示连接的重要性。神经元使用激活函数处理输入，以确定它们传递的输出信号。网络在训练过程中通过调整这些权重进行学习，通常使用梯度下降和反向传播等算法，以尽量减小预测值与实际目标值之间的误差。有关有效训练的指导，请参阅我们的模型训练技巧。

采用深度学习的模型本质上是具有大量隐藏层（因此称为 "深度"）的神经网络。这种深度允许它们从大型数据集中学习高度复杂的模式和分层特征，使它们在物体检测和图像分割等任务中异常有效。与可能需要人工特征工程的简单 ML 模型不同，神经网络擅长从图像和文本等非结构化数据中自动提取相关特征。

神经网络的应用

神经网络的用途非常广泛，已被应用于众多领域。下面是两个重要的例子：

1. 计算机视觉：在计算机视觉 (CV) 领域，NN，尤其是 CNN 等专业类型，被用于分析和解释视觉信息。最先进的模型如 Ultralytics YOLO等先进模型利用深度神经网络进行实时物体检测、图像分割和姿态估计，实现了从自动驾驶到医学影像分析的各种应用。您可以使用Ultralytics HUB 等平台训练和部署此类模型。
2. 自然语言处理：网络是自然语言处理（NLP）的基础，使机器能够理解和生成人类语言。其应用包括机器翻译、情感分析和聊天机器人开发。BERT等模型和各种GPT模型都基于复杂的神经网络架构，特别是 Transformers。

神经网络与类似概念的比较

将 NN 与相关的人工智能概念区分开来很有帮助：

• 人工智能（AI）：人工智能是创造智能机器的广泛领域。网络是人工智能中用于实现学习能力的一种特定技术。
• 机器学习（ML）：ML 是人工智能的一个子集，侧重于从数据中学习的算法。NN 是 ML 模型的主要类别，在深度学习中尤为突出。
• 深度学习（DL）：深度学习是 ML 的一个子领域，专门使用多层神经网络（深度架构）来模拟复杂模式。所有深度学习模型都是神经网络，但并非所有神经网络都是深度的。
• 卷积神经网络（CNN）：卷积神经网络（CNN）是一种专门的神经网络，主要用于处理网格状数据（如图像），因此在计算机视觉任务中非常有效。
• 递归神经网络（RNN）：RNN设计用于处理文本或时间序列等连续数据，通过连接形成循环，使信息得以持续。
• 变形器 变形器是一种较新的架构，主要依赖于注意力机制，已成为许多 NLP 任务的最新技术，并越来越多地应用于计算机视觉领域。

总之，神经网络是强大的大脑启发模型，能让机器从数据中学习复杂的模式。它们是深度学习的基本构件，推动着从计算机视觉图像理解到 NLP 语言处理等各种人工智能应用的进步。