人工智能應用基礎授課人：周老師

技術篇項目3?人工神經網絡01項目描述05項目拓展02項目分析06項目小結03相關知識07項目練習04項目實施目錄項目描述01小明去郊游，偶到一處突然被深深吸引：好一片山花爛漫！他再也不想多走一步，他拿出手機，想用識別軟件分辨這些花的名字。這些花有不同的顏色，大小，花瓣的形狀也不一樣，小明感到好奇，自己手機里的軟件到底是怎么辨別這些花朵的呢？這里面有些花連自己都看不出有什么區別，但識別軟件卻能將它們分辨出來。3.1項目描述這背后是深度學習和神經網絡的技術。神經網絡是怎么做到對一張圖片的內容進行識別的呢？深度學習和神經網絡又是什么關系呢？這是小明非常想了解的內容。3.1項目描述02項目分析科學家也模仿生物神經網絡來設計機器學習模型，希望它具備甚至超過人類的智能。我們把這種為機器設計的神經網絡，叫做人工神經網絡，它可以像人類一樣對各種數據進行感知、分析，并推理出結果，幫助我們進行決策。要利用人工神經網絡幫我們決策，需要學習以下內容：1.

神經網絡結構2.

單層神經網絡3.深層神經網絡3.2項目分析03相關知識生物神經網絡樹突（輸入機制）——接受輸入的樹狀結構。輸入可能是來自感覺神經細胞的感覺輸入，也可能是來自其他神經細胞的“計算”輸入。細胞體（計算機制）——匯合所有樹突的輸入，并基于這些信號決定是否激活輸出。軸突（輸出機制）——由細胞體向外沖出的最長的一條分支，一旦胞體決定激活輸出信號，軸突負責傳輸信號，通過末端的樹狀結構將信號傳遞給下一層神經元。3.3相關知識單層人工神經網絡-感知機結構美國心理學家FrankRosenblatt于1957年提出的一種具有單層計算單元的人工神經網絡，稱為感知機，這也是最簡單的人工神經網絡模型。3.3相關知識單層人工神經網絡-感知機結構輸入單元：圖2中的x1，x2，x3，對應圖1中生物神經元的樹突（輸入機制），接受輸入信號并傳遞給感知單元。感知單元：圖2中的黃色單元，對應圖1中生物神經元的細胞體（計算機制），通過求和的方式匯總所有輸入信號。輸出單元：圖2中的輸出，對應圖1中生物神經元的軸突（輸出機制），根據感知單元的值判斷是否激活細胞體，感知機的輸出就是激活的結果，可以傳遞到下一層的感知機。3.3相關知識感知機的預測過程某個周末，小明同學正在考慮是否出門去公園游玩，他考慮的條件有以下三個：1.天氣好嗎？2.小明的朋友會不會陪他去？3.公園離他家的距離是否很遠？3.3相關知識用數字1和0代表小明的選擇，取值的范圍如下：x1代表今天的天氣，x1=1（好），0（不好）x2代表朋友是否陪他去，x2=1（去），0（不去）x3代表他家離公司的距離，x3=1（近），0（遠）輸出值為1（小明會出門），或者為0（小明不出門）感知機的預測過程如果以上條件滿足：天氣好（x1=1），有朋友陪他去（x2=1），公園離家遠（x3=0），那么把這些信息輸入到神經網絡中。可以看到，輸入數值乘以對應鏈接的權值參數后，傳遞到感知單元匯總的值為5（大于0），因此，神經元被激活輸出1，得出小明會出門去公園游玩。3.3相關知識學習的過程小明以往出行記錄中的大部分用做訓練樣本，剩下的用于測試樣本，且這些數據都是有標注的，讓模型根據這些數據學習規律，而測試樣本則用來在訓練完成后幫助評估模型的學習效果3.3相關知識學習的算法學習的過程遵循數據輸入、輸出預測值、修正參數的反復循環迭代的過程。人工神經網絡模型初始時的參數隨機產生，所以預測值不正確，算法會計算出預測值與真實值的誤差，反饋給模型來對參數進行調整，而模型并不會一次將參數調整好，而是每次修改一點點，直到預測值與真實值的誤差足夠小，因此這個過程會持續很多次，根據參數的數量而有所不同。3.3相關知識深層神經網絡單個感知器并不是很強大，只能完成簡單的任務。為了讓我們的人工神經網絡學習諸如識別手寫體數字的復雜任務，我們會把數量更多的感知器連接在一起從而組成更高級的網絡，稱為深層人工神經網絡。3.3相關知識識別鳶尾花鳶尾花數據集，該數據集總共150個數據樣本，分為3類，每類50個數據，統計了花萼長度，花萼寬度，花瓣長度，花瓣寬度4個屬性，我們希望通過這四個屬性來預測鳶尾花屬于哪一類。3.3相關知識識別鳶尾花創建一個人工神經網絡，除了輸入層和輸出層之外，包含兩個隱藏層。因為數據集中每個樣本有四個屬性，所以輸入層的神經元必須是四個，用來分別接收鳶尾花的四個特征數據。輸出層有三個神經元，對應的是數據集中鳶尾花的三個類別。3.3相關知識識別手寫體數字假設有一個手寫數字的數據集，一共有7萬張手寫數字圖片，把其中6萬張用于訓練模型，剩下1萬張用于測試效果。3.3相關知識識別手寫體數字構造出的深層神經網絡有784個輸入單元和10個輸出單元。我們會把每張圖片按列拼接成一條直線（784個元素的一維數組），剛好可以輸入到這個神經網絡中，輸出單元數量對應預測數字的類別，數字為幾，相應的輸出單元就被激活（輸出1），其它單元都被抑制（輸出0）3.3相關知識04項目實施數據集展示30張用于垃圾分類的圖像，這此圖像此時是沒有任何標簽的，需要我們自己根據圖像中物體的材質將這些垃圾分為金屬、玻璃、塑料3類。——“車輛類型識別”3.4項目實施打開EasyDL平臺進入EasyDL平臺：/easydl/，選擇“圖像分類”，然后在左側選擇模型訓練，此時還沒有任務模型，我們點擊“訓練模型”按鈕。——“車輛類型識別”3.4項目實施模型準備在模型準備階段，我們選擇新建一個模型，并為其填寫上相關信息。——“車輛類型識別”3.4項目實施數據準備在數據準備階段，因為我們沒有自己的汽車數據集，所以選擇平臺為我們準備的公開數據集，選擇汽車類型分類V1數據，可以看到，這個數據集中共有6個類別的汽車圖片840張，并且都已經標記好了，可以直接使用，選擇完成后點擊“下一步”按鈕。——“車輛類型識別”3.4項目實施配置信息在訓練配置階段，我們選擇圖中相應的配置信息，然后開始訓練。訓練完成后，我們可以看到最終模型的預測效果。——“車輛類型識別”3.4項目實施05項目拓展越是復雜的神經網絡，想要訓練好它就需要更多的數據樣本。不過這些是值得的，如今我們有很多方法來獲取數據，相比起數據獲取，更難的反而是給每個數據樣打上標記。大家想一想，如果數據沒有標記，我們的神經網絡還能不能工作呢？3.5項目拓展06項目小結神經網絡是機器學習領域中的一種重要算法，通過模擬人腦神經系統的組織架構，以高度靈活的方式處理復雜數據模式。神經網絡的訓練是一個迭代優化過程，涵蓋從隨機初始化參數，向前傳播獲得預測，計算誤差，反饋誤差修改模型參數，然后不斷循環往復直至最終算法更新參數到理想狀態。每兩個神經元之間的連接都有一個與之相關的權重值，表示前一個神經元對后一個神經元的影響程度，也就是網絡的參數。網絡輸出：網絡的輸出會根據網絡的連接方式、權重值的不同而變化。通過調整這些參數，人工神經網絡能夠學習和適應不同的輸入模式，產生預期的輸出結果。3.6項目小結07項目練習一、選擇題

1.?人工神經網絡的基本組成單元是什么？（

）

A.?樹B.?節點C.?矩陣D.?神經元

2.?在神經網絡中，權重參數剛開始是多少？（

）A.?1

B.?0

C.?隨機產生D.?103.?最簡單的神經網絡又稱為什么？（

）A.?感知機B.?機器C.?深度模型D.?神經元3.7項目練習一、選擇題

4.?人工神經網絡的參數存儲在哪里？（

）

A.?軸突B.?樹突C.?神經元

D.?神經元之間的連接

5.?深層神經網絡在輸入層與輸出層之間的層稱為？（

）A.?中間層