人工智能与信息社会课件：501神经元与神经网络.pdfVIP

人工智能与信息社会 基于神经网络的智能系统I：神经元与神经网络 陈斌北京大学gischen@pku.edu.cn 概述 〉 生物原型：人脑以及神经元 〉 人脑包含800亿个神经元，这些神经元类似 一个小的处理单元，它们按照某种方式连接， 接受外部刺激，做出响应处理的过程也就是 大脑的对信息处理的过程。 北京大学地球与空间科学学院/ 陈斌/2018 神经元 〉 树突：为神经元的输入通道，将自其他神经 元所接收的电信号传送至细胞本体。 〉 轴突和突触：将处理过的信号传递到下一个 神经元。 树突 突触 轴突 北京大学地球与空间科学学院/ 陈斌/2018 人工神经元 〉 从生物模型到数学模型 〉 输入信号： , ⋯⋯, 〉 处理单元：对每个输入信号进行加权处理确 定其强度；对所有输入信号求和确定组合效 果；通过激励函数确定其输出。 〉 输出信号：y 北京大学地球与空间科学学院/ 陈斌/2018 人工神经网络 〉 人工神经网络：模仿神经元在人脑中的结构 连接。一个网络可以由几个甚至几百万个人 工神经元构成，这些神经元排列在一系列的 层中，每个层之间彼此相连。 〉 一个完整的神经网络由一层输入层、多层隐 藏层、一层输出层构成。 北京大学地球与空间科学学院/ 陈斌/2018 人工神经网络：前馈型神经网络 〉 单向多层结构，即各神经元从输入层开始， 只接收上一层的输出并输出到下一层，直至 输出层，整个网络中无反馈。常用于图像识 别、检测、分割 北京大学地球与空间科学学院/ 陈斌/2018 人工神经网络：反馈型神经网络 〉 是一种从输出到输入具有反馈连接的神经网 络，当前的结果受到先前所有的结果的影响。 〉 常用于语音、文本处理、问答系统等 北京大学地球与空间科学学院/ 陈斌/2018 神经网络训练算法 〉 以误差为主导的反向传播算法 〉 其本质是通过前向传递输入信号直至输出产 生误差，再将误差信息反向传播去更新网络 权重矩阵。 北京大学地球与空间科学学院/ 陈斌/2018 神经网络训练算法 〉 通过这种反馈机制，反馈越多，神经网络学 习的结果越准确。 〉 目前基于神经网络对手写体数字识别正确率 可达99.8% 北京大学地球与空间科学学院/ 陈斌/2018 神经网络训练算法 〉 ImageNet图像分类比赛 〉 神经网络算法的错误率低至3.1% ，人类分 类错误率为5% ，神经网络分类结果已经优 于人类。 北京大学地球与空间科学学院/ 陈斌/2018 总结 〉 人工神经元与人工神经网络模仿人脑的神经 结构，旨在让计算机拥有更强大的学习能力。 〉 神经网络的主要学习机制为误差反向传播算 法。不断修改网络参数使得分类效果越来越 好。 北京大学地球与空间科学学院/ 陈斌/2018