通常,神經(jīng)網(wǎng)絡(luò)都是通過編程實現(xiàn)的,因為神經(jīng)網(wǎng)絡(luò)本質(zhì)上是種數(shù)學(xué)模型。但是,當前已經(jīng)有硬件實現(xiàn)方案,即FPGA現(xiàn)場可編程門陣列來實現(xiàn)。
人工神經(jīng)網(wǎng)絡(luò)作為一種新型的信息處理系統(tǒng),由于基于傳統(tǒng)軟件實現(xiàn),存在并行程度低和速度慢的缺點,使神經(jīng)網(wǎng)絡(luò)的實現(xiàn)不能滿足實時性的要求,造成了理論研究與實際應(yīng)用脫節(jié)。另外,用軟件實現(xiàn)神經(jīng)網(wǎng)絡(luò)所需計算機體積龐大,不適合嵌入式場合的應(yīng)用。而神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)的最大特點就是體現(xiàn)了系統(tǒng)的并行性,處理速度快,易于滿足實時性要求。另外,算法的復(fù)雜程度以及在實際工程中應(yīng)用的可行性仍需要通過硬件的實現(xiàn)效果來檢驗。因此,神經(jīng)網(wǎng)絡(luò)的硬件實現(xiàn)意義重大。
FPGA 現(xiàn)場可編程門陣列是一個具有大量通用邏輯單元的器件,并且它的內(nèi)部邏輯可以根據(jù)實際需要進行相應(yīng)的改變。這種可重新配置的結(jié)構(gòu)特征非常適合實現(xiàn)神經(jīng)網(wǎng)絡(luò)。
人工神經(jīng)網(wǎng)絡(luò)的主要特點是大量神經(jīng)元之間的加權(quán)互連。這就是神經(jīng)網(wǎng)絡(luò)與光學(xué)技術(shù)相結(jié)合的重要原因。電子技術(shù)與光學(xué)技術(shù)相比,精確度高,便于程序控制,抗噪聲能力強。但是,隨著計算機芯片集成度和速度的提高,計算機中的引線問題已成為一個嚴重的障礙。由于電子引線不能互相短路交叉,引線靠近時會發(fā)生耦合,高速電脈沖在引線上傳播時要發(fā)生色散和延遲,以及電子器件的扇入和扇出系數(shù)較低等問題,使得高密度的電子互連在技術(shù)上有很大困難。超大規(guī)模集成電路(VLSI)的引線問題造成的時鐘扭曲(clock skew),嚴重限制了諾依曼型計算機的速度。而另一方面,光學(xué)互連是高度并行的,光線在傳播時可以任意互相交叉而不會發(fā)生串擾,光傳播速度極快,其延時和色散可以忽略不計,加上光學(xué)元件的扇入和扇出系數(shù)都很高,因此光學(xué)互連具有明顯的優(yōu)勢。
正因如此,許多科學(xué)家早已開始研究采用光學(xué)互連來解決VLSI的引線問題,以及芯片之間、插板之間的連接問題。此外,光學(xué)運算的高度并行性和快速實現(xiàn)大信息量線性運算的能力,如矩陣相乘,二維線性變換,二維卷積、積分等,也是用光學(xué)手段實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的有利條件。光學(xué)信息處理雖有高速度及大信息量并行處理和優(yōu)點,但要滿足模糊運算和隨機處理的要求還是遠遠不夠的。光學(xué)信息處理性能的改進,要求在傳統(tǒng)的線性光學(xué)處理系統(tǒng)中引入非線性,而這些問題的解決與神經(jīng)網(wǎng)絡(luò)的光學(xué)實現(xiàn)恰好不謀而合。光學(xué)信息處理中的許多課題,如光計算、圖像變換、相關(guān)濾波、特征提取、邊緣增強、聯(lián)想存儲、噪聲消除等,都可以用神經(jīng)網(wǎng)絡(luò)的方法來完成。
關(guān)于光學(xué)神經(jīng)網(wǎng)絡(luò)的研究,國內(nèi)外已提出許多不同的硬件系統(tǒng)。例如,基于光學(xué)矢量矩陣相乘的Hopfield網(wǎng)絡(luò)的外積實現(xiàn),采用全息存儲和共軛反射鏡(PCM)的全光學(xué)系統(tǒng),采用液晶開關(guān)陣列、液晶光閥以及其它空間光調(diào)制器(SLM)的內(nèi)積型光學(xué)神經(jīng)網(wǎng)絡(luò),光電混合全雙極“WTA”網(wǎng)絡(luò)等等。光學(xué)神經(jīng)網(wǎng)絡(luò)已成為人工神經(jīng)網(wǎng)絡(luò)研究的一個重要組成部分。
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,即ANN ),是20世紀80 年代以來人工智能領(lǐng)域興起的研究熱點。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象, 建立某種簡單模型,按不同的連接方式組成不同的網(wǎng)絡(luò)。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運算模型,由大量的節(jié)點(或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù),稱為激勵函數(shù)(activation function)。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值,稱之為權(quán)重,這相當于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式,權(quán)重值和激勵函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近,也可能是對一種邏輯策略的表達。
最近十多年來,人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入,已經(jīng)取得了很大的進展,其在模式識別、智能機器人、自動控制、預(yù)測估計、生物、醫(yī)學(xué)、經(jīng)濟等領(lǐng)域已成功地解決了許多現(xiàn)代計算機難以解決的實際問題,表現(xiàn)出了良好的智能特性。
神經(jīng)網(wǎng)絡(luò)模型的分類
人工神經(jīng)網(wǎng)絡(luò)的模型很多,可以按照不同的方法進行分類。其中,常見的兩種分類方法是,按照網(wǎng)絡(luò)連接的拓樸結(jié)構(gòu)分類和按照網(wǎng)絡(luò)內(nèi)部的信息流向分類。
1 按照網(wǎng)絡(luò)拓樸結(jié)構(gòu)分類
網(wǎng)絡(luò)的拓樸結(jié)構(gòu),即神經(jīng)元之間的連接方式。按此劃分,可將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為兩大類:層次型結(jié)構(gòu)和互聯(lián)型結(jié)構(gòu)。
層次型結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)將神經(jīng)元按功能和順序的不同分為輸出層、中間層(隱層)、輸出層。輸出層各神經(jīng)元負責(zé)接收來自外界的輸入信息,并傳給中間各隱層神經(jīng)元;隱層是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層,負責(zé)信息變換。根據(jù)需要可設(shè)計為一層或多層;最后一個隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進一步處理后向外界輸出信息處理結(jié)果。
而互連型網(wǎng)絡(luò)結(jié)構(gòu)中,任意兩個節(jié)點之間都可能存在連接路徑,因此可以根據(jù)網(wǎng)絡(luò)中節(jié)點的連接程度將互連型網(wǎng)絡(luò)細分為三種情況:全互連型、局部互連型和稀疏連接型
2 按照網(wǎng)絡(luò)信息流向分類
從神經(jīng)網(wǎng)絡(luò)內(nèi)部信息傳遞方向來看,可以分為兩種類型:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。
單純前饋網(wǎng)絡(luò)的結(jié)構(gòu)與分層網(wǎng)絡(luò)結(jié)構(gòu)相同,前饋是因網(wǎng)絡(luò)信息處理的方向是從輸入層到各隱層再到輸出層逐層進行而得名的。前饋型網(wǎng)絡(luò)中前一層的輸出是下一層的輸入,信息的處理具有逐層傳遞進行的方向性,一般不存在反饋環(huán)路。因此這類網(wǎng)絡(luò)很容易串聯(lián)起來建立多層前饋網(wǎng)絡(luò)。
反饋型網(wǎng)絡(luò)的結(jié)構(gòu)與單層全互連結(jié)構(gòu)網(wǎng)絡(luò)相同。在反饋型網(wǎng)絡(luò)中的所有節(jié)點都具有信息處理功能,而且每個節(jié)點既可以從外界接受輸入,同時又可以向外界輸出。
神經(jīng)網(wǎng)絡(luò)的作用:(未盡之言參照百度百科)
{模擬人類實際神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)方法問世以來,人們已慢慢習(xí)慣了把這種人工神經(jīng)網(wǎng)絡(luò)直接稱為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識.模式識別,智能控制等領(lǐng)域有著廣泛而吸引人的前景。特別在智能控制中,人們對神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能尤其感興趣,并且把神經(jīng)網(wǎng)絡(luò)這一重要特點看作
是解決自動控制中按制器適應(yīng)能力這個難題的關(guān)鍵鑰匙之一。 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)在于神經(jīng)元。 神經(jīng)元是以生物神經(jīng)系統(tǒng)的神經(jīng)細胞為基礎(chǔ)的生物模型。在人們對生物神經(jīng)系統(tǒng)進行研究,以探討人工智能的機制時,把神經(jīng)元數(shù)學(xué)化,從而產(chǎn)生了神經(jīng)元數(shù)學(xué)模型。 大量的形式相同的神經(jīng)元連結(jié)在—起就組成了神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一個高度非線性動力學(xué)系統(tǒng)。雖然,每個神經(jīng)元的結(jié)構(gòu)和功能都不復(fù)雜,但是神經(jīng)網(wǎng)絡(luò)的動態(tài)行為則是十分復(fù)雜的;因此,用神經(jīng)網(wǎng)絡(luò)可以表達實際物理世界的各種現(xiàn)象。神經(jīng)網(wǎng)絡(luò)模型是以神經(jīng)元的數(shù)學(xué)模型為基礎(chǔ)來擁述的。神經(jīng)網(wǎng)絡(luò)模型由網(wǎng)絡(luò)拓撲.節(jié)點特點和學(xué)習(xí)規(guī)則來表示
主要使用的方面:
1.并行分布處理。 2.高度魯棒性和容錯能力。 3.分布存儲及學(xué)習(xí)能力。 4.能充分逼近復(fù)雜的非線性關(guān)系。
人工神經(jīng)網(wǎng)絡(luò)模型主要考慮網(wǎng)絡(luò)連接的拓撲結(jié)構(gòu)、神經(jīng)元的特征、學(xué)習(xí)規(guī)則等。目前,已有近40種神經(jīng)網(wǎng)絡(luò)模型,其中有反傳網(wǎng)絡(luò)、感知器、自組織映射、Hopfield網(wǎng)絡(luò)、波耳茲曼機、適應(yīng)諧振理論等。根據(jù)連接的拓撲結(jié)構(gòu),神經(jīng)網(wǎng)絡(luò)模型可以分為:
(1)前向網(wǎng)絡(luò) 網(wǎng)絡(luò)中各個神經(jīng)元接受前一級的輸入,并輸出到下一級,網(wǎng)絡(luò)中沒有反饋,可以用一個有向無環(huán)路圖表示。這種網(wǎng)絡(luò)實現(xiàn)信號從輸入空間到輸出空間的變換,它的信息處理能力來自于簡單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡單,易于實現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。
(2)反饋網(wǎng)絡(luò) 網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋,可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換,可以用動力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機均屬于這種類型。
學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)研究的一個重要內(nèi)容,它的適應(yīng)性是通過學(xué)習(xí)實現(xiàn)的。根據(jù)環(huán)境的變化,對權(quán)值進行調(diào)整,改善系統(tǒng)的行為。由Hebb提出的Hebb學(xué)習(xí)規(guī)則為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。Hebb規(guī)則認為學(xué)習(xí)過程最終發(fā)生在神經(jīng)元之間的突觸部位,突觸的聯(lián)系強度隨著突觸前后神經(jīng)元的活動而變化。在此基礎(chǔ)上,人們提出了各種學(xué)習(xí)規(guī)則和算法,以適應(yīng)不同網(wǎng)絡(luò)模型的需要。有效的學(xué)習(xí)算法,使得神經(jīng)網(wǎng)絡(luò)能夠通過連接權(quán)值的調(diào)整,構(gòu)造客觀世界的內(nèi)在表示,形成具有特色的信息處理方法,信息存儲和處理體現(xiàn)在網(wǎng)絡(luò)的連接中。
根據(jù)學(xué)習(xí)環(huán)境不同,神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式可分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中,將訓(xùn)練樣本的數(shù)據(jù)加到網(wǎng)絡(luò)輸入端,同時將相應(yīng)的期望輸出與網(wǎng)絡(luò)輸出相比較,得到誤差信號,以此控制權(quán)值連接強度的調(diào)整,經(jīng)多次訓(xùn)練后收斂到一個確定的權(quán)值。當樣本情況發(fā)生變化時,經(jīng)學(xué)習(xí)可以修改權(quán)值以適應(yīng)新的環(huán)境。使用監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型有反傳網(wǎng)絡(luò)、感知器等。非監(jiān)督學(xué)習(xí)時,事先不給定標準樣本,直接將網(wǎng)絡(luò)置于環(huán)境之中,學(xué)習(xí)階段與工作階段成為一體。此時,學(xué)習(xí)規(guī)律的變化服從連接權(quán)值的演變方程。非監(jiān)督學(xué)習(xí)最簡單的例子是Hebb學(xué)習(xí)規(guī)則。競爭學(xué)習(xí)規(guī)則是一個更復(fù)雜的非監(jiān)督學(xué)習(xí)的例子,它是根據(jù)已建立的聚類進行權(quán)值調(diào)整。自組織映射、適應(yīng)諧振理論網(wǎng)絡(luò)等都是與競爭學(xué)習(xí)有關(guān)的典型模型。
研究神經(jīng)網(wǎng)絡(luò)的非線性動力學(xué)性質(zhì),主要采用動力學(xué)系統(tǒng)理論、非線性規(guī)劃理論和統(tǒng)計理論,來分析神經(jīng)網(wǎng)絡(luò)的演化過程和吸引子的性質(zhì),探索神經(jīng)網(wǎng)絡(luò)的協(xié)同行為和集體計算功能,了解神經(jīng)信息處理機制。為了探討神經(jīng)網(wǎng)絡(luò)在整體性和模糊性方面處理信息的可能,混沌理論的概念和方法將會發(fā)揮作用?;煦缡且粋€相當難以精確定義的數(shù)學(xué)概念。一般而言,“混沌”是指由確定性方程描述的動力學(xué)系統(tǒng)中表現(xiàn)出的非確定性行為,或稱之為確定的隨機性?!按_定性”是因為它由內(nèi)在的原因而不是外來的噪聲或干擾所產(chǎn)生,而“隨機性”是指其不規(guī)則的、不能預(yù)測的行為,只可能用統(tǒng)計的方法描述?;煦鐒恿W(xué)系統(tǒng)的主要特征是其狀態(tài)對初始條件的靈敏依賴性,混沌反映其內(nèi)在的隨機性?;煦缋碚撌侵该枋鼍哂谢煦缧袨榈姆蔷€性動力學(xué)系統(tǒng)的基本理論、概念、方法,它把動力學(xué)系統(tǒng)的復(fù)雜行為理解為其自身與其在同外界進行物質(zhì)、能量和信息交換過程中內(nèi)在的有結(jié)構(gòu)的行為,而不是外來的和偶然的行為,混沌狀態(tài)是一種定態(tài)?;煦鐒恿W(xué)系統(tǒng)的定態(tài)包括:靜止、平穩(wěn)量、周期性、準同期性和混沌解?;煦畿壘€是整體上穩(wěn)定與局部不穩(wěn)定相結(jié)合的結(jié)果,稱之為奇異吸引子。
Introduction 神經(jīng)網(wǎng)絡(luò)是新技術(shù)領(lǐng)域中的一個時尚詞匯。
很多人聽過這個詞,但很少人真正明白它是什么。本文的目的是介紹所有關(guān)于神經(jīng)網(wǎng)絡(luò)的基本包括它的功能、一般結(jié)構(gòu)、相關(guān)術(shù)語、類型及其應(yīng)用。
“神經(jīng)網(wǎng)絡(luò)”這個詞實際是來自于生物學(xué),而我們所指的神經(jīng)網(wǎng)絡(luò)正確的名稱應(yīng)該是“人工神經(jīng)網(wǎng)絡(luò)(ANNs)”。在本文,我會同時使用這兩個互換的術(shù)語。
一個真正的神經(jīng)網(wǎng)絡(luò)是由數(shù)個至數(shù)十億個被稱為神經(jīng)元的細胞(組成我們大腦的微小細胞)所組成,它們以不同方式連接而型成網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)就是嘗試模擬這種生物學(xué)上的體系結(jié)構(gòu)及其操作。
在這里有一個難題:我們對生物學(xué)上的神經(jīng)網(wǎng)絡(luò)知道的不多!因此,不同類型之間的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)有很大的不同,我們所知道的只是神經(jīng)元基本的結(jié)構(gòu)。 The neuron 雖然已經(jīng)確認在我們的大腦中有大約50至500種不同的神經(jīng)元,但它們大部份都是基于基本神經(jīng)元的特別細胞。
基本神經(jīng)元包含有synapses、soma、axon及dendrites。Synapses負責(zé)神經(jīng)元之間的連接,它們不是直接物理上連接的,而是它們之間有一個很小的空隙允許電子訊號從一個神經(jīng)元跳到另一個神經(jīng)元。
然后這些電子訊號會交給soma處理及以其內(nèi)部電子訊號將處理結(jié)果傳遞給axon。而axon會將這些訊號分發(fā)給dendrites。
最后,dendrites帶著這些訊號再交給其它的synapses,再繼續(xù)下一個循環(huán)。 如同生物學(xué)上的基本神經(jīng)元,人工的神經(jīng)網(wǎng)絡(luò)也有基本的神經(jīng)元。
每個神經(jīng)元有特定數(shù)量的輸入,也會為每個神經(jīng)元設(shè)定權(quán)重(weight)。權(quán)重是對所輸入的資料的重要性的一個指標。
然后,神經(jīng)元會計算出權(quán)重合計值(net value),而權(quán)重合計值就是將所有輸入乘以它們的權(quán)重的合計。每個神經(jīng)元都有它們各自的臨界值(threshold),而當權(quán)重合計值大于臨界值時,神經(jīng)元會輸出1。
相反,則輸出0。最后,輸出會被傳送給與該神經(jīng)元連接的其它神經(jīng)元繼續(xù)剩余的計算。
Learning 正如上述所寫,問題的核心是權(quán)重及臨界值是該如何設(shè)定的呢?世界上有很多不同的訓(xùn)練方式,就如網(wǎng)絡(luò)類型一樣多。但有些比較出名的包括back-propagation, delta rule及Kohonen訓(xùn)練模式。
由于結(jié)構(gòu)體系的不同,訓(xùn)練的規(guī)則也不相同,但大部份的規(guī)則可以被分為二大類別 - 監(jiān)管的及非監(jiān)管的。監(jiān)管方式的訓(xùn)練規(guī)則需要“教師”告訴他們特定的輸入應(yīng)該作出怎樣的輸出。
然后訓(xùn)練規(guī)則會調(diào)整所有需要的權(quán)重值(這是網(wǎng)絡(luò)中是非常復(fù)雜的),而整個過程會重頭開始直至數(shù)據(jù)可以被網(wǎng)絡(luò)正確的分析出來。監(jiān)管方式的訓(xùn)練模式包括有back-propagation及delta rule。
非監(jiān)管方式的規(guī)則無需教師,因為他們所產(chǎn)生的輸出會被進一步評估。 Architecture 在神經(jīng)網(wǎng)絡(luò)中,遵守明確的規(guī)則一詞是最“模糊不清”的。
因為有太多不同種類的網(wǎng)絡(luò),由簡單的布爾網(wǎng)絡(luò)(Perceptrons),至復(fù)雜的自我調(diào)整網(wǎng)絡(luò)(Kohonen),至熱動態(tài)性網(wǎng)絡(luò)模型(Boltzmann machines)!而這些,都遵守一個網(wǎng)絡(luò)體系結(jié)構(gòu)的標準。 一個網(wǎng)絡(luò)包括有多個神經(jīng)元“層”,輸入層、隱蔽層及輸出層。
輸入層負責(zé)接收輸入及分發(fā)到隱蔽層(因為用戶看不見這些層,所以見做隱蔽層)。這些隱蔽層負責(zé)所需的計算及輸出結(jié)果給輸出層,而用戶則可以看到最終結(jié)果。
現(xiàn)在,為免混淆,不會在這里更深入的探討體系結(jié)構(gòu)這一話題。對于不同神經(jīng)網(wǎng)絡(luò)的更多詳細資料可以看Generation5 essays 盡管我們討論過神經(jīng)元、訓(xùn)練及體系結(jié)構(gòu),但我們還不清楚神經(jīng)網(wǎng)絡(luò)實際做些什么。
The Function of ANNs 神經(jīng)網(wǎng)絡(luò)被設(shè)計為與圖案一起工作 - 它們可以被分為分類式或聯(lián)想式。分類式網(wǎng)絡(luò)可以接受一組數(shù),然后將其分類。
例如ONR程序接受一個數(shù)字的影象而輸出這個數(shù)字。或者PPDA32程序接受一個坐標而將它分類成A類或B類(類別是由所提供的訓(xùn)練決定的)。
更多實際用途可以看Applications in the Military中的軍事雷達,該雷達可以分別出車輛或樹。 聯(lián)想模式接受一組數(shù)而輸出另一組。
例如HIR程序接受一個‘臟’圖像而輸出一個它所學(xué)過而最接近的一個圖像。聯(lián)想模式更可應(yīng)用于復(fù)雜的應(yīng)用程序,如簽名、面部、指紋識別等。
The Ups and Downs of Neural Networks 神經(jīng)網(wǎng)絡(luò)在這個領(lǐng)域中有很多優(yōu)點,使得它越來越流行。它在類型分類/識別方面非常出色。
神經(jīng)網(wǎng)絡(luò)可以處理例外及不正常的輸入數(shù)據(jù),這對于很多系統(tǒng)都很重要(例如雷達及聲波定位系統(tǒng))。很多神經(jīng)網(wǎng)絡(luò)都是模仿生物神經(jīng)網(wǎng)絡(luò)的,即是他們仿照大腦的運作方式工作。
神經(jīng)網(wǎng)絡(luò)也得助于神經(jīng)系統(tǒng)科學(xué)的發(fā)展,使它可以像人類一樣準確地辨別物件而有電腦的速度!前途是光明的,但現(xiàn)在。 是的,神經(jīng)網(wǎng)絡(luò)也有些不好的地方。
這通常都是因為缺乏足夠強大的硬件。神經(jīng)網(wǎng)絡(luò)的力量源自于以并行方式處理資訊,即是同時處理多項數(shù)據(jù)。
因此,要一個串行的機器模擬并行處理是非常耗時的。 神經(jīng)網(wǎng)絡(luò)的另一個問題是對某一個問題構(gòu)建網(wǎng)絡(luò)所定義的條件不足 - 有太多因素需要考慮:訓(xùn)練的算法、體系結(jié)構(gòu)、每層的神經(jīng)元個數(shù)、有多少層、數(shù)據(jù)的表現(xiàn)等,還有其它更多因素。
因此,隨著時間越來越重要,大部份公司不可能負擔(dān)重復(fù)的開發(fā)神經(jīng)網(wǎng)絡(luò)去有效地解決問題。 。
聲明:本網(wǎng)站尊重并保護知識產(chǎn)權(quán),根據(jù)《信息網(wǎng)絡(luò)傳播權(quán)保護條例》,如果我們轉(zhuǎn)載的作品侵犯了您的權(quán)利,請在一個月內(nèi)通知我們,我們會及時刪除。
蜀ICP備2020033479號-4 Copyright ? 2016 學(xué)習(xí)鳥. 頁面生成時間:2.670秒