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（如图像中的像素值或句子中的单词）的输入层、通过计算处理数据的一个或多个隐藏层，以及产生最终结果（如分类标签或预测值）的输出层。神经元之间的每个连接都有一个 "权重"，这个数值表示连接在网络计算中的重要性。

神经元使用激活函数（如ReLU或Sigmoid）处理它们的组合输入，该函数决定它们传递给下一层的输出信号。在训练过程中，网络通过调整这些权重进行 "学习"，通常在监督学习设置中使用标注的示例。梯度下降算法和反向传播算法等算法通常用于反复调整权重，使损失函数最小化，损失函数用于测量网络预测值与实际目标值之间的差异。有效的模型训练通常需要仔细的超参数调整，以及我们的模型训练技巧等指南中概述的策略。

采用深度学习（DL）的模型本质上是具有多个隐藏层（因此称为 "深度"）的网络。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实例分割等任务中异常有效。与线性回归或支持向量机 (SVM)等可能需要人工特征工程的简单 ML 模型不同，自然数网络擅长从图像和文本等原始、非结构化数据中自动执行特征提取。

神经网络的类型和区别

虽然上述基本结构普遍适用，但也存在几种专门的 NN 架构：

• 卷积神经网络（CNN）：对图像等网格状数据特别有效。它们使用卷积层来学习空间层次特征。许多物体检测架构都以 CNN 为骨干。
• 递归神经网络（RNN）：专为文本或时间序列等序列数据而设计，其特点是通过连接形成有向循环，使信息得以持续。LSTM等变体也很常见。
• 变压器：它们最初是为 NLP 任务开发的，在很大程度上依赖于自我注意机制，并在包括视觉（Vision Transformer (ViT)）在内的各种领域中表现出卓越的性能。

NN 与决策树或k-Nearest Neighbors (KNN) 等传统算法有很大不同，它们的运行原理不同，通常不适合像图像这样未经大量预处理的高维复杂数据。

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（CV）：网络（尤其是 CNN）是计算机视觉领域重大进步的推动力。它们可用于

   • 图像分类：为整幅图像指定一个标签（如识别猫或狗）。
   • 物体检测：使用边界框识别和定位图像中的物体，如 Ultralytics YOLO模型，如 YOLO11.这对自动驾驶汽车中的人工智能和人工智能驱动的库存管理等应用至关重要。
   • 图像分割：对图像中的每个像素进行分类，以便于医疗图像分析等任务的详细场景理解。通过Ultralytics 文档了解图像分割任务。

2. 自然语言处理 (NLP)：包括 RNN 和 Transformers 在内的 NNN 彻底改变了机器理解和生成人类语言的方式。其应用包括

   • 机器翻译：自动将文本从一种语言翻译成另一种语言（如Google 翻译）。
   • 情感分析：确定文本背后的情感基调（积极、消极、中性）。
   • 文本生成：基于BERT和GPT 模型，创建类人文本，为聊天机器人和内容创建工具提供动力。

工具和框架

各种强大的深度学习工具和框架为开发和部署导航网络提供了便利：

• 图书馆：框架，如 PyTorch和 TensorFlow等框架提供了训练 NN 所需的核心构件和自动区分功能。Keras提供的高级应用程序接口经常与TensorFlow 配合使用。
• 平台： Ultralytics HUB为训练YOLO 模型、管理数据集和简化模型部署流程提供了一个平台。
• 模型：预先训练的模型，如 Ultralytics YOLO系列中的预训练模型为各种 CV 任务提供了一个强大的起点，通常只需要在特定数据集上进行微调。您可以在我们的文档中找到不同YOLO 模型之间的比较。

对于从事人工智能或 ML 工作的人来说，了解 NN 至关重要，因为它们是各行各业（从医疗保健领域的人工智能到农业领域的 人工智能）许多先进解决方案的基础。