术语表

神经网络 (NN)

探索神经网络的力量--它是计算机视觉、NLP 和深度学习等人工智能和 ML 创新突破的关键。

使用Ultralytics HUB 对YOLO 模型进行简单培训

了解更多

神经网络(NN),通常称为人工神经网络(ANN),是受人脑复杂结构和功能启发而产生的计算模型。它们是现代人工智能(AI)机器学习(ML)的基石,主要用于识别数据中的复杂模式。从复杂的图像识别工具到先进的语言翻译服务,这些网络为我们日常接触的许多智能系统提供了动力。

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。

阅读全部