上一篇内容主要介绍了传统机器学习的一些局限性以及深度神经网络的一些优势。这一篇内容就来好好了解一下这简单而又不简单的神经网络。
随着神经科学、认知科学的发展，我们都知道人类的智能行为都是和大脑密不可分的。人类的大脑皮质包含大约140-160亿神经元，小脑中包含大约550-700亿神经元， 每一个神经元都通过突触和其他数千个神经元相连接。受到人脑神经系统的启发，早期的神经科学家构造了一种模仿人脑神经系统的数学模型，称为人工神经网络，简称神经网络。在机器学习领域，神经网络是指由很多人工神经元构成的网络结构的模型，这些人工神经元之间的连接强度即是模型要学习的参数。
神经元
神经元是神经网络进行信息处理的基本单位，是组成人工神经网络的基本单位。一个生物学上的神经元可以接收到信息，当输入信号累积到一定的阈值时，神经元就会变为兴奋状态，产生脉冲信号。同生物学上的神经元类似，神经网络的神经元同样可以接受输入信号并产出输出。
1943年，心理学家沃伦·麦卡洛克和数学家沃尔特·皮茨基于数学和一种称为阈值逻辑的算法创造了一种神经网络的计算模型。
一个基本的神经元包括3个基本组成部分：输入信号、线性组合和非线性激活函数。其结构如下图所示：
通过一系列的输入信号，对这一系列输入信号赋予不同的权值，之后进行加和的操作，并通过激活函数进行激活，结合一定的偏置，即可得到最终的神经元输出。
今天简单介绍了机器学习中神经网络的基本组成单位神经元的结构，这个简单的结构虽然只具有上述的几个参数，但是通过对神经元进行不同方式的组合、变换会组成的深度神经网络，它可以包含上亿参数，可以拥有强大的推理、预测能力。后续我们会更深入地去了解它。
码字不易，欢迎点赞、收藏+关注哦~
By AINotesClub.
转载请超链接注明：头条资讯 » 机器学习中简单而又不简单的神经元
免责声明
：非本网注明原创的信息，皆为程序自动获取互联网，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责；如此页面有侵犯到您的权益，请给站长发送邮件，并提供相关证明(版权证明、身份证正反面、侵权链接)，站长将在收到邮件24小时内删除。