什么是神经网络（Neural Network） – AI百科知识

神经网络是什么？

神经网络（Neural Network）是人工智能里的一种计算模型，灵感来自人脑，属于一种机器学习范式。它由多层相互连接的节点（神经元）组成，靠海量数据反复试错，学习输入和输出之间的关系，确定该产生所需输出时节点之间的连接和权重。这些节点协同干活，模式识别、分类、预测这类复杂任务都交给它们。

学得越多，神经网络在模式识别、预测和决策上就做得越准。这几年神经网络突破不断，在计算机视觉、自然语言处理、语音识别这些领域进步明显。

神经网络是怎么工作的

神经网络靠一系列相互连接的神经元层来处理输入数据。每个神经元接收其他神经元传来的输入，套上数学函数产生输出，再把输出传给下一层，这样一层层重复，直到算出最终结果。训练时，网络用大量数据反复调整神经元的权重和偏差，把预测输出和实际输出的误差压到最小。训练完成后，神经网络就得到一个数学模型，可以直接拿它对新的数据做推理、给预测或下决策。

神经网络有哪些类型

业界在研究好几种神经网络，最常见的包括：

• 前馈神经网络（FNN）：输入数据只朝一个方向走，从输入到输出，多用于模式识别和分类。
• 递归神经网络（RNN）：能处理语音、文本这类序列数据，常见于自然语言处理和时间序列分析。
• 卷积神经网络（CNN）：专为图像和视频处理优化，用专门的层来检测边缘、角落这些特征。
• 生成式对抗网络（GAN）：两个神经网络互相博弈来生成新数据——一个负责生成，另一个想办法把它和真实数据区分开。

神经网络用来做什么

能落地的场景非常多，常见的有：

• 图像识别。认出图片里的人或物，比如 Facebook 用它标记朋友、自动驾驶汽车用它检测交通信号灯。
• 自然语言处理。机器翻译、情感分析、语音识别等等，很多虚拟助手和聊天机器人底层就是它。
• 预测。根据历史数据推算时间序列的未来值，股价预测、销量预测都在用。
• 机器人学。靠图像识别和传感器数据来控制机器人的动作。
• 推荐系统。电商网站上的产品推荐，背后多半就是神经网络。
• 疾病诊断。在医学影像里找异常，帮助识别癌症等疾病。
• 客户流失预测。找出那些可能不再使用服务的客户。
• 欺诈检测。根据消费模式和其他数据，识别信用卡或保险欺诈。

神经网络好在哪

跟传统机器学习算法比，神经网络的优势有好几项：

1. 输入和输出之间那种难以明确编程的复杂非线性关系，它能捕捉到。
2. 它能在海量数据中学习并适应新信息，需要持续学习的应用场景特别适合它。
3. 数据里复杂的模式和关系，人类或其他机器学习算法可能看不出来，它能识别。
4. 嘈杂、不完整的数据它也照吃不误，实际用起来相当皮实。

神经网络的短板

优点很多，限制同样明显，得心里有数。主要有下面这些：

• 过度拟合：有时候它会过拟合训练数据，学得太「专」，遇到新数据反而表现不佳。
• 可解释性：它很难被解释，你搞不清它到底怎么得出某个预测或决策。
• 训练时间：训练费时又费算力，数据集大、网络复杂的时候更夸张。
• 吃数据质量：性能很大程度取决于训练数据的质量和数量，一些应用里这是硬约束。
• 透明度不足：它常被当成「黑匣子」——很难弄明白某个预测是怎么来的，需要透明或问责的场景里就麻烦了。
• 迁移能力有限：一个任务上训练好的网络，换个任务或领域可能就不灵了，普适性打折扣。