| 发布日期：2024-07-18 15:57 点击次数：136 |
图片
西班牙vs法国的半决赛中，上半场第9分钟，姆巴佩吸引吸收后传中，穆阿尼后点包抄头球破门，法国队取得本届杯赛的第一个运动战进球。第21分钟，亚马尔一记漂亮的世界波帮助西班牙扳平比分，他以16岁362天的年龄，成为欧洲杯历史上最年轻的进球者。4分钟后，奥尔默在禁区内大力抽射破门，西班牙2-1逆转，并且将比分保持到终场，挺进决赛。
比赛开始后，中国队相较于前两场季前赛进入状态更快，但马刺依然凭借更强的天赋占据主动，第一节中国队20-29落后。第二节，廖三宁连续得分，帮助中国队单节净胜6分。第三节，中国队进攻短路，单节只得到7分，马刺趁机拉开分差。第四节，马刺依然牢牢掌握主动，最终，中国男篮67-89不敌马刺。
东说念主工神经聚积其实就像是一个复杂的揣测器，你给它输入一些东西，它就能给你一个效果。就像你用揣测器输入2+2，它会给你输出4相同，但东说念主工神经聚积能处理的不单是是数字加减，它能处理更复杂的东西，比如图片、翰墨等等。是以，当咱们说东说念主工神经聚积是一个“函数靠拢器”时，其实便是说它能模拟各式复杂的揣测经过，匡助咱们从输入得到念念要的输出。
图片
要是是一张汽车的图片，必须有一个函数，不错接受这张图片并展望它是什么类型的车，只是通过那些原始的像素值。
图片
关于传统编程，要是有一段英文文本，必须有一个函数，不错接受这段文本并输出相通的文本，然则用中语。
图片
要是你有一个问题，必须有一个函数，不错产生谜底。
图片
但问题是，在传统编程中，咱们一直在编写函数，它们相配重大，但当函数太难甚而于咱们无法证明它时会发生什么？举例，当你看到这个数字时，
图片
你知说念它是5，但要是你必须编写一个算法，接受这张图片并说它是5，一霎之间这变得极其勤劳。
任务很通俗，但接受一张手写数字的图片并输出是哪个数字的函数相配难以编写，是以这便是为什么咱们需要机器学习。这里的念念法很通俗，要是你知说念一定存在一个不错处理这个问题的函数，但咱们不知说念阿谁函数是什么神气的，也许咱们不错界说一个结构，一个东说念主工神经聚积，它不错学习这个函数，而为了学习这个函数，它需要一些不错学习的东西，这意味着它需要数据，比如许多不同的手写数字图片。
让咱们看一个相配通俗的例子，
图片
你不错看到一些数据点，要是我问你模拟这些数据的函数是什么，你可能会念念象一条穿过这些数据点的弧线。这便是神经聚积也应该学习的，它应该学会靠拢这些数据所代表的函数，要是出现了一个新的x值，咱们应该巧合展望y值，即使咱们之前不知说念这个点。
图片
回平直写数字，一个相配驰名的手写数字数据集叫MNIST，其中存储了千千万万个手写数字。
图片
要是你念念要制作一个从这些数据中学习的模子，以便巧合识别未见过的手写数字，你不错鉴戒东说念主类大脑学习的花样。
咱们的大脑由许多细胞组成，这些细胞叫作念神经元。神经元有一些像天线相同的部分叫作念树突，它们用来接受来自其他神经元的信号。神经元的主体会决定是否要把这些信号传递给下一个神经元。要是决定传递，神经元和会过一根叫作念轴突的长线把信号发送出去，直到信号到达另一个叫作念突触的场合。在突触处，信号会被传递给下一个神经元。这便是咱们的大脑若何处理和传递信息的基本花样。
图片
当咱们学习时，大脑中神经元之间的调理髻生变化，它们变得更强，物联网软件开发资讯造成新的同一，神经元变得更高效。
图片
东说念主工神经聚积试图模拟这个经过，它们由东说念主工神经元组成，即通俗的函数，接受来自其他神经元的值，并将它们组合成一个传递给其他神经元的信号。
图片
具体的情况下，上图是一个28x28像素的图片，每个像素值的界限是0到1，玄色像素是0，白色像素是1，这些像素组成了输入层。
目下咱们念念知说念图片显现的是哪个数字，因为有10个可能的数字，是以咱们对每个输入的图像产生10个展望，是以这里不错添加10个神经元并称之为输出层，
图片
每个输入神经元（一个像素点）将同一到每个输出神经元（0-9的10个数字），咱们用所谓的权重同一它们，每个权重只是是一个数字，一开动这个数字不错立时选拔。
在这个例子中，有784个输入神经元（对应于28x28像素的图片），每个输入神经元王人同一到10个输出神经元（对应于10个可能的数字）。是以统统会有784个像素点乘以10个数字，也便是7840个同一。每个同一王人有一个权重，这些权重会在考验经过中进行退换，以便聚积巧合正确地识别输入图片中的数字。
每个输出神经元将取输入值，将每个值乘以相应的权重并将它们乞降以得到一个新值，
图片
在这个例子中，咱们盼望的是，代表数字5的阿谁神经元给出一个很高的数值（权重），而其他代表其他数字的神经元给出的数值王人比拟低。这么，聚积就能正确地识别出输入图片是数字5。
要是输入数字0，再一次，独一代表0的输出神经元应该亮起（取得很高的数值），这可能是咱们能构建的最通俗的神经聚积。
但咱们的任务是造就这个东说念主工神经聚积识别这些数字，这意味着咱们必须以某种花样转变权重，让模子作念出更好的展望，这是通过向聚积展示一系列的样本图片（比如手写数字的图片），然后不雅察聚积的展望效果是否准确来完成的。要是聚积的展望效果不准确，就需要退换权重。
为了知说念若何退换权重，咱们使用了一个叫作念“亏蚀函数（Loss Funtion）”的用具，它不错匡助咱们揣测聚积的展望效果和骨子效果之间的互异。咱们的目标是让这个亏蚀尽可能小，这意味着咱们的展望越准确。
图片
事实上，要是你可视化每个神经元的权重，跟着模子学习，咱们不错看到，尽管它们一开动看起来是立时的。但跟着模子的学习和考验，这些权重会逐渐退换，开动造成一些特定的模式。这些模式让模子巧合识别不同数字的特征，从而别离它们。当先，模子可能只可学习通俗的线性关联，这意味着它能别离一些相配基本的数字特征。
为了让模子巧合学习更复杂的关联，咱们不错在输入层和输出层之间添加更多的层，这些异常的层被称为壅塞层。
图片
添加更多的壅塞层不错使神经聚积变得“更深”，这便是“深度学习”的想法。壅塞层中的神经元和输出层中的神经元责任花样相似，但每个神经元还有一个激活函数（Activation function），这个函数不错口角线性的，使得模子巧合学习更复杂的关联，从而普及识别数字的准确性。
图片
回到通俗的二维函数示例，激活函数将使咱们巧合弯口角线，以便咱们不错更准确地模拟数据。
图片
有许多激活函数，但其中最通俗的一个叫作念ReLu，它把负数变成0，正数保捏不变。
图片
当咱们给神经聚积添加更多的神经元或者层数时，它的材干会加多物联网软件开发资讯，也便是说它能学习到更复杂的东西。然则，有一个问题，要是咱们让聚积变得太大，它可能就会变得太“灵敏”了，甚而于它不仅学会了咱们念念让它学的东西，还记着了通盘的考验数据。这种情况叫作念过拟合，就像是模子变得太专注于考验数据，甚而于在濒临新的、没见过的数据时就推崇不好了。另一方面，要是模子太通俗，它可能就学不到满盈的东西，这种情况叫作念欠拟合。是以，神经聚积的主要目标便是找到一个均衡点，构建一个既不太复杂也不太通俗，巧合从数据中学习法例的模子。
本站仅提供存储作事，通盘内容均由用户发布，如发现存害或侵权内容，请点击举报。