人工智能概论（第2版） 课件第4章 神经网络.pptx

第四章神经网络——让人工智能拥有智慧大脑

TensorFlow游乐场网址为：/作业1：TensorFlow？

前情回顾2016年3月，谷歌的AlphaGo击败了围棋九段李世石，人工智能里程碑式事件。AlphaGo是用人类和AI对手组合进行训练的。据报道，谷歌使用了1920个中央处理器（CPU）和280个图形处理器（GPU）数据模型行动

前情回顾更新之后的版本AlphaGoZero更加厉害，不使用任何以前的数据来学习下棋，而是直接打了数以千场的比赛，经过三天的训练，它就能击败AlphaGo了。也就是说，这台机器拥有了自学能力。人类的学习能力来自于大脑。那么AlphaGoZero的自学习能力则是来自于神经网络，神经网络如大脑一般让人工智能能够自主学习，充满智慧。

目录什么是神经网络神经网络的结构单元人工神经网络的层结构神经网络的学习神经网络的应用案例

什么是神经网络PART01

什么是神经网络神经网络大脑是一个复杂的自然神经网络通过相互关联的神经元来处理信息人工神经网络通过人为编程来实现大脑神经网络的功能，将认知能力赋予计算机，让计算机来模拟人类的智能。神经网络的结构是什么样子的？

神经网络的结构单元PART02

神经网络的结构单元它由神经元细胞体、树突和轴突组成。细胞体具有联络和整合输入信息并发出信息的作用；树突短而分枝多，其作用是接受其他神经元传来的信息并输入给细胞体；轴突分出很多分支，形成神经末梢，来与其他神经元的树突相连，其作用是把细胞体所发出的信息输出到其他神经元。人工神经网络的神经元也包含一个神经处理单元，相当于细胞体，多个输入相当于树突，以及输出类似于轴突。神经网络由多个神经元相互连接构成整个神经网络。设计人工神经网络结构样式？

神经网络的结构单元多个神经元是如何连接的呢？

人工神经网络的层结构PART03

人工神经网络的层结构按照神经元的网络层数分为单层神经网络和多层神经网络。单层神经网络结构图由多个神经元平列，排成一列，n个输入给每一个处理单元，每一个神经元有一个输出。输入与输出之间的关系是怎样的？神经元的模型公式是？

神经元模型公式神经元接受到的是来自前面n个神经元传递过来的信号，这些数值通过带权重的连结进行传递，神经元接收到的总输入值将与神经元自身的阈值相比较，并最终通过“激活函数”进行输出。

神经元模型公式X表示上一个神经元的输入，w代表输入的连接权重，即表示不同的输入对当前神经元的影响力不同。Θ是神经元自身的阈值，σ代表激活函数。

神经元模型案例这里我们假设x1=1，x2=2,x3=0,x4=-1,权重值依次是1,2,-1,0.3，阈值是0.6，在未加上激活函数的时候，当前输出是？(1*1+2*2+0*(-1)+(-1)*0.3-0.6),结果是4.1

神经元模型案例——激活函数激活函数激活函数是在我们设计神经网络时，为增强网络的表达能力而人为加入的非线性因素。如果不加入激活函数，神经网络将只能处理模拟线性函数，在面对线性不可分问题时无能为力。加入激活函数后，我们的神经网络拥有了处理非线性问题的能力。常见的激活函数是阶跃函数和sigmoid函数。

神经元模型案例——激活函数激活函数总体输入大于阈值时激活，小于阈值时抑制。sigmoid函数能够将大范围的输入压缩到（0,1）之间，并且严格单调，关于（0，0.5）中心对称，是比较常见的激活函数。sigmoid函数对中间区域的输入信号有增益作用，对两侧区的输入值有抑制作用。

神经元模型案例——单层感知机实现逻辑AND、OR、NOT当w1=w2=1,令θ=2，则最简单的神经网络，是其他神经网络的基础，可以用来模拟逻辑函数，例如逻辑非NOT、逻辑或OR、逻辑与AND等。

神经元模型案例——单层感知机实现逻辑AND、OR、NOT“或”问题当w1=w2=1,令θ=2“与”问题当w1=w2=1,令θ=2，则w1=w2=1,令θ=0.5作业2:“非”问题w1=-0.6，w2=0,令θ=-0.5

多层感知机当遇到复杂的线性不可分的问题时单层神经网络不能满足需求

多层感知机可以通过加深网络层数构成多层神经网络，通过多层转换把线性不可分的问题转化成线性可分。多层网络是由单层网络进行级联构成的，上一层的输出作为下一层的输入，前一层神经网络的输出结果传递给后一层神经网络的每一个神经元，但是同一层的神经元是相互独立，不进行数据传递。多层神经网络结构图

多层感知机

多层神经网络在人脸识别系统中的应用人脸识别多层神经网络结构图这是一个多层前馈神经网络，在通过输入百万张图片来训练神经网络的人脸识别能力后，可以让该神经网络无论是在人群中还是在复杂的背景环境中都能够准确的识别出某个人脸。

多层感知