人工智能技术应用导论（第2版）课件 第六章 神经网络及其基础算法应用.pptx

人工智能技术应用导论

神经网络及其基础算法应用

南京信息职业技术学院人工智能学院

LOGO1

目录

01神经网络简介

02前馈型神经网络

03反馈型神经网络

04卷积神经网络

神经网络简介

0PART1ONE

神经网络简介

u生物神经元

由细胞体、树突、轴突和突触（Synapse，又称神经键）组成。树突起感受作

用，接收来自其他神经元的传递信号。轴突只有一条，轴突给其他多个神经元

传递信息，这个连接的位置叫做“突触”。

神经网络简介

u人工神经元模型

人工神经元模型是一个模拟生物神经元，包含输入，输出与计算功能的模型。

输入可以类比为生物神经元的树突，而输出可以类比为生物神经元的突触，计

算则可以类比为生物神经元的细胞体。

神经网络简介

u人工神经元模型

一个典型的人工神经元模型：

+1代表偏移值（偏置项,BiasUnits）；

X1,X2,...Xn代表初始特征；

W0,W1,W2,...，Wn代表权重（Weight），即特征的缩放倍数；

特征经过缩放和偏移后全部累加起来，此后还要经过一次激活运算然后再输出。

图中的箭头线称为“连接”，每个“连接”上有一个“权值”。

神经网络简介

u人工神经元模型

如判断某个同学某门课是否合格（二分类问题），要根据该同学的平时、期中

及期末成绩综合评定。

假如该门课平时成绩90分，期中成绩75分，期末成绩85分，如果总评成绩的

构成是：

总成绩=平时*20%+期中*30%+期末*50%的话，

那么x1=90,w1=0.2；x2=75,w2=0.3；x3=85,w3=0.5；

则：总评成绩=x1*w1+x2*w2+x3*w3=90*0.2+75*0.3+85*0.5=83；

然后把总评成绩83交给激活函数判定，如果规定高于60分为合格，那么激活

函数则判定该名同学成绩合格。

偏置项可以理解为此次试卷太难，老师决定给每位同学送5分。

神经网络简介

u人工神经元模型

人工神经元相当于一个多输入单输出的非线性阈值器件。

如果输入信号的加权和超过阈值，则人工神经元被激活。阈值一般不是一个常

数，它随着神经元的兴奋程度而变化。

神经元的计算过程称为激活（Activation），是指一个神经元读入特征，执行

计算，并产生输出的过程。

激活函数（ActivationFunction）一般是非线性函数，用于为人工神经元网

络模型加入非线性变换特征，使其能够处理复杂的非线性分类任务。

神经网络简介

u人工神经元的特点：

ü神经元是一多输入、单输出元件；

ü具有非线性的输入、输出特性；

ü具有可塑性，其塑性变化的部分主要是权值的变化；

ü神经元的输出响应是各个输入值的综合作用结果；

ü输入分为兴奋型（正值）和抑制型（负值）两种。

神经网络简介

u人工神经元网络

人工神经元网络（ArtificialNeuralNetwork，ANN），简称人工神经网络

或神经网络，它从信息处理角度通过对人脑神经元及其网络进行模拟、简化和

抽象，按照不同的连接方式组成不同的网络，建立某种运算模型。

神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或

者一些有意义的抽象模式，输出则依据神经元的连接方式、权重值和激活函数

的不同而不同。

神经网络简介

u人工神经元网络

一个经典的神经网络：

ü最左边的层称为输入层（InputLayer），对应样本特征；

ü最右边的层称为输出层（OutputLayer），对应输出结果；

ü中间层是零到多层的隐藏层（HiddenLayer,也称为隐层），负责模型的

计算。

神经网络简介

u人工神经元网络

一个经典的神经网络：

神经网络简介

u人工神经元网络

ü输入层节点（神经元）接受外部世界的信号或数据，对应样本的特征输

入，每一个节点表示样本的特征向量x中的一个特征变量或特征项；

ü输出层节点对应样本的预测输出，每一个节点表示样本在不同类别下的

预测概率，实现系统处理结果的输出；

ü隐藏层节点处在输入层和输出层单元之间，是不能由系统外部观察的单

元，其对应中间的激活计算，称为隐藏单元（HiddenUnit）。在神经网

络中，隐藏单元的作用可以理解为对输入层的特征进行变换，并将其层层

传递到输出层进行结果预测。

神经网络简介

u人工神经元网络

一个神经网络的搭建，需要满足三个条件：输入和输出，权重和阈值，及多层

网络