神经网络算法是用来干什么的 神经网络的基本原理

　　神经网络算法含义

　　神经网络算法是由多个神经元组成的算法网络。

　　逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生的想法或解决问题的办法。这种思维方式的根本之点在于以下两点：

　　1、信息是通过神经元上的兴奋模式分布储在网络上。

　　2、信息处理是通过神经元之间同时相互作用的动态过程来完成的。

　　思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。

　　神经网络的基本原理是：每个神经元把最初的输入值乘以一定的权重，并加上其他输入到这个神经元里的值（并结合其他信息值），最后算出一个总和，再经过神经元的偏差调整，最后用激励函数把输出值标准化。

　　神经网络算法是用来干什么的

　　神经网络算法是由多个神经元组成的算法网络。

　　逻辑性的思维是指根据逻辑规则进行推理的过程；它先将信息化成概念，并用符号表示，然后，根据符号运算按串行模式进行逻辑推理；这一过程可以写成串行的指令，让计算机执行。然而，直观性的思维是将分布式存储的信息综合起来，结果是忽然间产生的想法或解决问题的办法。

　　神经网络利用现有的数据找出输入与输出之间得权值关系（近似），然后利用这样的权值关系进行仿真，例如输入一组数据仿真出输出结果，当然你的输入要和训练时采用的数据集在一个范畴之内。

　　1.利用神经生理与认知科学研究人类思维以及智能机理。

　　2.利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等;开发新的网络数理理论，如：神经网络动力学、非线性神经场等。

　　神经网络算法三大类

　　神经网络一般可以分为以下常用的三大类：CNN（卷积神经网络）、RNN（循环神经网络）、Transformer（注意力机制）。

　　1、CNN（卷积神经网络）

　　卷积神经网络是LeCun于1989年提出，用Lenet卷积网络来识别信封或邮件上的手写数字。卷积神经网络是一种专门用来处理具有类似网格结构的数据的 神经网络。卷积网络在诸多应用领域都表现优异。“卷积神经网络” 一词表明该网络使用了 卷积（convolution）这种数学运算。

　　2、RNN（循环神经网络）

　　循环神经网络（recurrent neural network）或 RNN （Rumelhart et al.， 1986c）是一类用于处理序列数据的神经网络。就像卷积网络是专门用于处理网格化数据 X（如一个图像）的神经网络，循环神经网络是专门用于处理序列 x （1）， 。 。 。 ， x（τ） 的神经网络。

　　3、Tansformer（注意力机制）

　　卷积只能通过叠加很深的层才能获得全局感受野，循环神经网络不好训练且慢。2017年《Attention is all you need》诞生了一种全新的网络架构，self-attention。使用self-attention的BERT巨大的提升了自然语言处理的精度和速度，近些年来BERT，GPT2，GPT3，基本都是基于Transformer的架构了。另外从2020年的vit开始，Transformer也开始进入图像处理领域大放异彩，如swin transformer。

　　文章综合CSDN（aifans_bert）、好学者百科、飞桨（一心炼银）