为了解决某个特定问题，神经网络要得到足够的训练。误差达到所期望值时，网络学习结束。为了加速检测并提高边框质量，还在级联中引入了校准网络。自动驾驶卷积神经网络传统上用于图像分析和目标识别。没有它，就无法确保乘客和其他车辆的安全。零售行业神经网络用来预测超市的销售量特别有优势，因为它能多维度考虑问题。医药行业高效的人体生理系统建模、快速检测疾病这些方面的工作，需要大量神经网络来支持。
人工神经网络技术发展?原作 Jay ShahRoot 编译自 Jay Shah寄几的博客，下面我们就来说一说关于人工神经网络技术发展?我们一起去了解并探讨一下这个问题吧!
人工神经网络技术发展
原作 Jay Shah
Root 编译自 Jay Shah寄几的博客
量子位 出品 | 公众号 QbitAI
最近，神经网络这个词特别火，吸引不少眼球。但是神经网络是个啥？有啥用？
这篇文章和大家唠唠，啥是神经网络，对于初学者来说主要有哪些挑战，以及介绍几种经典的神经网络类型，和相关行业应用。
神经网络的工作原理基本上，神经网络是由一层一层的不同的计算单位连接起来的。我们把计算单位称为神经元，这些网络可以把数据处理分类，就是我们要的输出。
每个神经元把最初的输入值乘以一定的权重，并加上其他输入到这个神经元里的值（并结合其他信息值），最后算出一个总和，再经过神经元的偏差调整，最后用激励函数把输出值标准化。
迭代的学习过程
神经网络有个很关键的特征，它的学习过程是迭代的。也就是说，在学习期间，处理数据的过程会不断重复，而且为了准确预测输入值的分类，每次都会调整和输入数据有关的权重。
神经网络的优点，在于他们对很乱的数据的容忍度很高，同时也有很强的分类能力，连未训练的数据也能区分出来。
而最受欢迎的神经网络算法，是反向传播算法。
为了解决某个特定问题，神经网络要得到足够的训练。在训练最开始的时候，初始权重是随机定的。
如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。
神经网络通过隐藏层里的权重和函数，一次处理训练集里的一组数据，然后把输出值和实际结果作对比。然后把误差返回给整个网络系统，针对要解决的问题来调权重。再输入下一组数据，看偏差值有没有变小。
这个过程要不断地反复调整权重。所以在训练的过程中，同一组数据会被处理很多次，直到每一层的权重都被精细地调校过。
这个过程有多困难呢？
对于神经网络的初学者来说，其中的一个挑战是要理解每一层有什么用。我们知道，在训练过后，每一层都会抽取出来输入值的高阶或更高阶的特征，直到最后一层决定输入的特征所指的是什么。那这个过程是怎么完成的？
与其指定神经网络最后放大的特征，还不如让神经网络自己得出来。
由于神经网络的每一层的处理，是不同维度的抽象特征。所以强化哪一层，会对最后的值的特征的复杂性有不同的影响。而在我们选了其中一个层后，就可以看到神经网络最后增强了什么的特征。
流行的神经网络类型及其应用接下来，我们会了解一下自动编码器，卷积神经网络和循环神经网络。
自动编码器
根据之前的经验，随机初始化的结果并不好。所以为了获得更好的初始权重，我们可以考虑用无监督学习算法来预训练每个层。
类似的例子，可以参考被无监督算法训练的Deep Belief Networks。 最近，有一些新的研究尝试在这个领域寻找突破，比如，使用概率自动编码器的变分方法。
不过实际上，它们很少被用到。 最近，对于更深的神经网络来说，已经可以进行批量地标准化。通过残差学习，我们能从头开始训练任意深度神经网络了。在适当的维度和稀疏性的约束下，自动编码器可以学习到，比PCA或其他基本技术更有趣的数据投影。
我们来看看两个有趣的自动编码器的实际应用：
医学图像的降噪
通过卷积层，自动编码器实现高效降噪。
△ 降噪自动编码器，就是设定为忽略某些输入的
在随机干扰过程中，通过随机地将一些输入数据设为零，让降噪自动编码器自己判断哪些是丢失（损坏）的值，从而预测出哪些是丢失模式的子集。
数据可视化
用主成分分析（PCA），和t分布随机相邻嵌入（t-SNE）等方法，可以实现降维。 在训练神经网络的时候，结合以上方法，能提高模型的预测精度。而且，多层神经网络的预测精度很大程度上依赖于神经网络结构，预处理的数据，以及该神经网络要解决的问题类型。
卷积神经网络
卷积神经网络，这个名字是来源于“卷积”运算符。 它的主要目的，在于从输入的图像中提取特征。而特征的提取，是通过使用输入数据里3×3的区域学习到的。这样，卷积网络就能够保留像素之间的空间关系。
卷积神经网络在以下领域取得了成功：
人脸识别
级联卷积神经网络，可以快速高效地识别人脸。 检测器先用低分辨率评估输入图像，把非面部区域快速排除掉，再以更高的分辨率，仔细处理并精确检测更复杂的区域。
为了加速检测并提高边框质量，还在级联中引入了校准网络。
自动驾驶
卷积神经网络传统上用于图像分析和目标识别。
在自动驾驶的项目中，空间纵深的估算能力特别重要。没有它，就无法确保乘客和其他车辆的安全。NVIDIA的自动驾驶汽车等项目，就已经开始使用CNN了。
CNN非常灵活，可以通过多层的参数来处理输入，其中还包括深度信念网络（DBN）。
另外，还有个好玩的用法， 可以在游戏模拟器中，用CNN来开车并预测转弯的角度 。
循环神经网络
循环神经网络可以生成序列。每次处理单组的真实数据序列之后，就预测接下来会发生什么。那这种模型是怎么一步一步搭起来的呢？
假设，预测的结果是存在概率分布的话，那么可以反复取各种输入值，产生新的序列。输入值的来源可以是已经训练过的网络的输出值，取得越分散越好。换句话说，让神经网络把自己生成的结果，当作真实世界里产生的数据值，用作输入，就像一个人在做梦一样。梦里那些虚幻不存在的场景，也能成为我们记忆中感知的一部分。
预测
神经网络经过训练后，给定一个输入值，就能得到在预期内的输出值。
如果我们有个神经网络，能够完美地拟合一系列已知的值，那么这个网络也能预测未来的值。
现在，预测股价的模型用得最6。
不同领域里神经网络的应用在真实的商业环境里，神经网络已经应用很广泛了，比如销售量预测，用户调查，数据有效性，和风险调控。
市场
目标市场与市场细分有关，根据用户不同的消费行为，我们能把市场划分得很细。
按地域分布，经济能力、购买习惯、对产品的态度等维度分类，是神经网络最拿手的事。无监督学习可以自动把有相似属性的用户分类到一起。
零售行业
神经网络用来预测超市的销售量特别有优势，因为它能多维度考虑问题。比如一个产品可能有多大的市场需求量，一个消费者的收入，人口分布，产品价格等方面。
一旦两个商品，在某段时间内他们的销售量存在间接的联系，像一个用户买完打印机之后，很大可能会在3到4个月的时候需要补充新墨盒，那么零售商可以从顾客的购买数据来有效地推产品，避免顾客流失到竞争对手那。
金融行业
神经网络已经成功解决了多个金融类的问题，比如衍生类的保值型理财产品，未来价值的预测，外汇汇率的预测，以及股票市场的表现。以前，是数据技术驱动着软件的发展；现在，神经网络驱动着大家做出更优的理财选择。
医药行业
高效的人体生理系统建模、快速检测疾病这些方面的工作，需要大量神经网络来支持。大家都很看好未来神经网络在医疗领域大规模的应用。
结论也许，用神经网络解决实际问题的同时，未来神经网络还能当艺术家创作的工具，混合出新的视觉效果。说不定我们还可以从中发现创意的规律。
总的来说，神经网络让计算机更像人，get到越来越多的技能，可以帮我们做更多的事儿。
原文链接：
http://t.cn/RYqmhBG
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
