神经网络 (NN)

神经网络（NN）是人工智能（AI）的核心计算模型，旨在识别模式、解读感官数据并聚类信息。受人类大脑生物结构启发，这类网络由相互连接的节点（即"神经元"）构成，这些节点被组织成多层结构。 生物大脑通过化学信号在突触间传递信息，而数字神经网络则采用数学运算实现信息传输。这些系统构成了现代机器学习（ML）的基础技术，使计算机能够解决复杂问题——如人脸识别、语言翻译和自动驾驶——而无需为每条具体规则进行显式编程。

神经网络与深度学习

尽管这两个术语常被互换使用，但区分基础神经网络与深度学习（DL）至关重要。其核心差异在于深度与复杂度：标准或"浅层"神经网络在输入层与输出层之间仅含一至两个隐藏层。 相较之下，深度学习采用具有数十甚至数百层的"深度"神经网络。这种深度使特征提取得以自动完成， 使模型能够理解分层模式——简单的边界形成形状，形状进而转化为可识别的物体。 若需更深入的技术解析， 麻省理工学院新闻报道详细阐释了深度学习 及其从基础网络演进的过程。

神经网络如何学习

神经网络中的"学习"过程涉及调整内部参数以最小化误差。 数据通过输入层进入，经过一个或多个执行计算的隐藏层，最终以预测结果的形式通过输出层输出。

• Weights and Biases：神经元之间的每条连接都具有一个"权重"，用于决定信号的强度。在训练过程中，网络会根据训练数据调整这些权重。
• 激活函数：为决定神经元是否应“触发”或激活，网络采用ReLU或Sigmoid等激活函数。这引入了非线性特性，使网络能够学习复杂的边界条件。
• 反向传播：当神经网络进行预测时，它会将预测结果与实际正确答案进行比较。若存在误差，名为反向传播的算法会向网络后方发送信号，从而微调权重参数，使预测精度随时间推移逐步提升。
• 优化：诸如 随机梯度下降（SGD） 等算法有助于找到使损失函数最小化的最优权重集。您可以在AWS上阅读更多关于 优化算法的信息。

实际应用

神经网络是驱动许多定义现代时代的技术的引擎。

1. 计算机视觉：在计算机视觉（CV）领域，采用称为卷积神经网络（CNN）的专用网络来分析视觉数据。Ultralytics 先进模型运用深度神经网络架构实现实时目标检测。这些系统对农业人工智能至关重要——可监测作物健康状况，同时在安防系统中用于异常检测。
2. 自然语言处理：在涉及文本的任务中，循环神经网络（RNNs） 和Transformer等架构彻底改变了机器理解人类语言的方式。这些网络为机器翻译工具和虚拟助手提供支持。在医疗健康领域的人工智能应用中，这些技术的影响力尤为显著——它们协助转录医疗记录并分析患者档案。
3. 预测分析：企业利用神经网络进行时间序列分析，以预测股价或库存需求。IBM为商业分析领域的神经网络应用提供了极佳的概述。

具体实施

现代软件库使得部署神经网络变得触手可及，无需从头编写数学运算。诸如...之类的工具... Ultralytics 平台 允许用户轻松地在自定义数据集上训练这些网络。以下Python 演示了如何加载预训练神经网络（具体为最先进的YOLO26模型），并使用该模型对图像进行推理： ultralytics 包装

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

挑战与考量

尽管功能强大，神经网络仍存在特定挑战。它们通常需要大量标注数据进行监督学习。若数据多样性不足，网络易出现过拟合现象——即记忆训练样本而非学习泛化能力。 此外，深度神经网络常被称为"黑匣子"，因其决策过程难以精确解读，这催生了可解释人工智能（XAI）的研究。包括IEEE标准协会在内的机构正积极制定标准，确保这些强大网络的伦理与安全应用。