8e336f5ef4
|
||
|---|---|---|
| .. | ||
| 03-Perceptron | ||
| 04-OwnFramework | ||
| 05-Frameworks | ||
| README.md | ||
README.md
神經網路簡介
如我們在介紹中所討論的，實現智能的一種方法是訓練一個計算機模型或人工大腦。自20世紀中期以來，研究人員嘗試了不同的數學模型，直到最近這一方向證明非常成功。這些模仿大腦的數學模型被稱為神經網路。
有時神經網路被稱為人工神經網路（Artificial Neural Networks，ANNs），以表明我們討論的是模型，而不是實際的神經元網路。
機器學習
神經網路屬於一個更大的學科，稱為機器學習，其目標是利用數據訓練計算機模型以解決問題。機器學習是人工智能的重要組成部分，但我們在這份課程中不會涵蓋傳統的機器學習。
請參閱我們的獨立課程 機器學習入門，了解更多關於傳統機器學習的內容。
在機器學習中，我們假設有一些例子數據集 X 和相應的輸出值 Y。例子通常是由特徵組成的 N 維向量，而輸出則稱為標籤。
我們將探討兩種最常見的機器學習問題：
- 分類，需要將輸入對象分類到兩個或多個類別中。
- 回歸，需要為每個輸入樣本預測一個數值。
當以張量表示輸入和輸出時，輸入數據集是一個大小為 M×N 的矩陣，其中 M 是樣本數量，N 是特徵數量。輸出標籤 Y 是大小為 M 的向量。
在這份課程中，我們將專注於神經網路模型。
神經元的模型
從生物學中，我們知道大腦由神經細胞（神經元）組成，每個神經元有多個“輸入”（樹突）和一個“輸出”（軸突）。樹突和軸突都能傳導電信號，而它們之間的連接——稱為突觸——可以表現出不同程度的導電性，這些導電性由神經遞質調節。
 |
 |
|---|---|
| 真實神經元 （圖片 來自維基百科） | 人工神經元 （作者提供圖片） |
因此，神經元的最簡單數學模型包含幾個輸入 X1, ..., XN 和一個輸出 Y，以及一系列權重 W1, ..., WN。輸出計算公式為：
其中 f 是某種非線性的激活函數。
早期的神經元模型在 Warren McCullock 和 Walter Pitts 於1943年發表的經典論文 A logical calculus of the ideas immanent in nervous activity 中有所描述。Donald Hebb 在他的書 "The Organization of Behavior: A Neuropsychological Theory" 中提出了這些網路的訓練方法。
本章內容
在本章中，我們將學習以下內容：
- 感知器，一種早期的二分類神經網路模型
- 多層網路，以及配套筆記本 如何構建我們自己的框架
- 神經網路框架，包括以下筆記本：PyTorch 和 Keras/Tensorflow
- 過擬合
免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。應以原始語言的文件作為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對於因使用本翻譯而產生的任何誤解或錯誤解讀概不負責。