摘要：“神经网络”一词来自人脑。我们的大脑有数十亿个相互连接的神经元，帮助我们学习和理解。同样，人工神经网络 （ANN） 由人工神经元组成，这些神经元连接在一起以解决问题。
神经网络是人工智能 （AI） 背后的技术的重要组成部分。它们为许多日常应用程序提供支持，从语言翻译到智能助手。
“神经网络”一词来自人脑。我们的大脑有数十亿个相互连接的神经元，帮助我们学习和理解。同样，人工神经网络 （ANN） 由人工神经元组成，这些神经元连接在一起以解决问题。
神经网络就像一个具有不同人工神经元层的模型。这些神经元相互连接并一起处理数据。与遵循一组指令的传统计算机不同，神经网络从示例中学习，就像人类从经验中学习一样。
神经网络很特别，因为它们可以学习和适应。他们不是为每个任务都按照特定的规则进行编程，而是使用数据来学习模式，这使他们擅长于正常程序难以完成的任务。
例如，假设您刚开始工作。你会遇到很多人，并记住他们的面孔。第二天，即使他们中的一些人的外表发生了一些变化（比如修剪胡须），你仍然可以认出他们。普通计算机需要精确匹配才能识别某人，但神经网络可以学习识别细微的变化，就像您一样。
传统计算机擅长计算。他们几乎可以立即解决像“8 的幂 8”这样的问题。但他们很难理解复杂的数据，例如识别人脸或理解语音。
神经网络有助于弥合这一差距。它们从数据中学习并进行调整，使其非常适合执行识别图像、理解语言或进行预测等任务，这些任务需要学习和灵活性。
神经网络的优势在于它们的学习方式。与大脑通过调整神经元之间的连接进行学习的方式类似，神经网络通过调整分配给不同数据的权重来学习。
神经网络中的每个输入都有一个权重，告诉网络该输入的重要性。网络不断调整这些权重以减少错误并更好地进行预测。例如，Google Translate 使用神经网络从不同语言的数据中学习。它通过从越来越多的翻译中学习来不断改进，随着时间的推移而变得更好。
为了了解人工神经元，让我们将它们与人脑中的神经元进行比较。生物神经元有三个主要部分： 树突（接收信号）、细胞体（处理这些信号）和轴突（向其他神经元发送信号）。
同样，人工神经元具有 inputs、weights、processing function 和 output。每个输入都有一个显示其重要性的权重。神经元使用数学函数来处理输入并产生输出。然后，根据阈值检查此输出，以查看其是否足够准确。通过一遍又一遍地这样做，网络会学习并变得更加有效。
神经网络用于许多实际情况。以复仇者联盟电影中的托尼·斯塔克 （Tony Stark） 为例。人类可以认出他，无论他是否有胡须，是否戴着钢铁侠面具，或者他的表情是否略微变化。同样，可以训练神经网络来识别这些差异。
另一个例子是 Google Assistant。当你问：“复仇者联盟的放映时间是什么时候？Google Assistant 会挑选出“showtime”和“Avengers”等重要词，并为您提供正确的答案。这是因为神经网络帮助它学习如何理解问题并准确回答。
单层神经网络：适用于具有简单模式的更简单任务。多层神经网络：由多层组成，使它们能够处理更复杂的任务。递归神经网络 （RNN）：非常适合具有连续数据（如语音或文本）的任务，因为它们会记住从一个步骤到下一个步骤的信息。神经网络是 AI 的关键部分，可帮助机器学习和适应。与需要精确指令的传统计算机不同，神经网络从示例中学习，使它们更像人脑。从识别人脸到理解语言，神经网络使机器能够以更智能的方式与世界交互。
来源：自由坦荡的湖泊AI
