人工智能应用基础 课件 项目3 人工神经网络

人工智能应用基础授课人：周老师

技术篇项目3 人工神经网络01项目描述05项目拓展02项目分析06项目小结03相关知识07项目练习04项目实施目录项目描述01小明去郊游，偶到一处突然被深深吸引：好一片山花烂漫！他再也不想多走一步，他拿出手机，想用识别软件分辨这些花的名字。这些花有不同的颜色，大小，花瓣的形状也不一样，小明感到好奇，自己手机里的软件到底是怎么辨别这些花朵的呢？这里面有些花连自己都看不出有什么区别，但识别软件却能将它们分辨出来。3.1项目描述这背后是深度学习和神经网络的技术。神经网络是怎么做到对一张图片的内容进行识别的呢？深度学习和神经网络又是什么关系呢？这是小明非常想了解的内容。3.1项目描述02项目分析科学家也模仿生物神经网络来设计机器学习模型，希望它具备甚至超过人类的智能。我们把这种为机器设计的神经网络，叫做人工神经网络，它可以像人类一样对各种数据进行感知、分析，并推理出结果，帮助我们进行决策。要利用人工神经网络帮我们决策，需要学习以下内容：1.

神经网络结构2.

单层神经网络3.深层神经网络3.2项目分析03相关知识生物神经网络树突（输入机制）——接受输入的树状结构。输入可能是来自感觉神经细胞的感觉输入，也可能是来自其他神经细胞的“计算”输入。细胞体（计算机制）——汇合所有树突的输入，并基于这些信号决定是否激活输出。轴突（输出机制）——由细胞体向外冲出的最长的一条分支，一旦胞体决定激活输出信号，轴突负责传输信号，通过末端的树状结构将信号传递给下一层神经元。3.3相关知识单层人工神经网络-感知机结构美国心理学家FrankRosenblatt于1957年提出的一种具有单层计算单元的人工神经网络，称为感知机，这也是最简单的人工神经网络模型。3.3相关知识单层人工神经网络-感知机结构输入单元：图2中的x1，x2，x3，对应图1中生物神经元的树突（输入机制），接受输入信号并传递给感知单元。感知单元：图2中的黄色单元，对应图1中生物神经元的细胞体（计算机制），通过求和的方式汇总所有输入信号。输出单元：图2中的输出，对应图1中生物神经元的轴突（输出机制），根据感知单元的值判断是否激活细胞体，感知机的输出就是激活的结果，可以传递到下一层的感知机。3.3相关知识感知机的预测过程某个周末，小明同学正在考虑是否出门去公园游玩，他考虑的条件有以下三个：1.天气好吗？2.小明的朋友会不会陪他去？3.公园离他家的距离是否很远？3.3相关知识用数字1和0代表小明的选择，取值的范围如下：x1代表今天的天气，x1=1（好），0（不好）x2代表朋友是否陪他去，x2=1（去），0（不去）x3代表他家离公司的距离，x3=1（近），0（远）输出值为1（小明会出门），或者为0（小明不出门）感知机的预测过程如果以上条件满足：天气好（x1=1），有朋友陪他去（x2=1），公园离家远（x3=0），那么把这些信息输入到神经网络中。可以看到，输入数值乘以对应链接的权值参数后，传递到感知单元汇总的值为5（大于0），因此，神经元被激活输出1，得出小明会出门去公园游玩。3.3相关知识学习的过程小明以往出行记录中的大部分用做训练样本，剩下的用于测试样本，且这些数据都是有标注的，让模型根据这些数据学习规律，而测试样本则用来在训练完成后帮助评估模型的学习效果3.3相关知识学习的算法学习的过程遵循数据输入、输出预测值、修正参数的反复循环迭代的过程。人工神经网络模型初始时的参数随机产生，所以预测值不正确，算法会计算出预测值与真实值的误差，反馈给模型来对参数进行调整，而模型并不会一次将参数调整好，而是每次修改一点点，直到预测值与真实值的误差足够小，因此这个过程会持续很多次，根据参数的数量而有所不同。3.3相关知识深层神经网络单个感知器并不是很强大，只能完成简单的任务。为了让我们的人工神经网络学习诸如识别手写体数字的复杂任务，我们会把数量更多的感知器连接在一起从而组成更高级的网络，称为深层人工神经网络。3.3相关知识识别鸢尾花鸢尾花数据集，该数据集总共150个数据样本，分为3类，每类50个数据，统计了花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性，我们希望通过这四个属性来预测鸢尾花属于哪一类。3.3相关知识识别鸢尾花创建一个人工神经网络，除了输入层和输出层之外，包含两个隐藏层。因为数据集中每个样本有四个属性，所以输入层的神经元必须是四个，用来分别接收鸢尾花的四个特征数据。输出层有三个神经元，对应的是数据集中鸢尾花的三个类别。3.3相关知识识别手写体数字假设有一个手写数字的数据集，一共有7万张手写数字图片，把其中6万张用于训练模型，剩下1万张用于测试效果。3.3相关知识识别手写体数字构造出的深层神经网络有784个输入单元和10个输出单元。我们会把每张图片按列拼接成一条直线（784个元素的一维数组），刚好可以输入到这个神经网络中，输出单元数量对应预测数字的类别，数字为几，相应的输出单元就被激活（输出1），其它单元都被抑制（输出0）3.3相关知识04项目实施数据集展示30张用于垃圾分类的图像，这此图像此时是没有任何标签的，需要我们自己根据图像中物体的材质将这些垃圾分为金属、玻璃、塑料3类。——“车辆类型识别”3.4项目实施打开EasyDL平台进入EasyDL平台：/easydl/，选择“图像分类”，然后在左侧选择模型训练，此时还没有任务模型，我们点击“训练模型”按钮。——“车辆类型识别”3.4项目实施模型准备在模型准备阶段，我们选择新建一个模型，并为其填写上相关信息。——“车辆类型识别”3.4项目实施数据准备在数据准备阶段，因为我们没有自己的汽车数据集，所以选择平台为我们准备的公开数据集，选择汽车类型分类V1数据，可以看到，这个数据集中共有6个类别的汽车图片840张，并且都已经标记好了，可以直接使用，选择完成后点击“下一步”按钮。——“车辆类型识别”3.4项目实施配置信息在训练配置阶段，我们选择图中相应的配置信息，然后开始训练。训练完成后，我们可以看到最终模型的预测效果。——“车辆类型识别”3.4项目实施05项目拓展越是复杂的神经网络，想要训练好它就需要更多的数据样本。不过这些是值得的，如今我们有很多方法来获取数据，相比起数据获取，更难的反而是给每个数据样打上标记。大家想一想，如果数据没有标记，我们的神经网络还能不能工作呢？3.5项目拓展06项目小结神经网络是机器学习领域中的一种重要算法，通过模拟人脑神经系统的组织架构，以高度灵活的方式处理复杂数据模式。神经网络的训练是一个迭代优化过程，涵盖从随机初始化参数，向前传播获得预测，计算误差，反馈误差修改模型参数，然后不断循环往复直至最终算法更新参数到理想状态。每两个神经元之间的连接都有一个与之相关的权重值，表示前一个神经元对后一个神经元的影响程度，也就是网络的参数。网络输出：网络的输出会根据网络的连接方式、权重值的不同而变化。通过调整这些参数，人工神经网络能够学习和适应不同的输入模式，产生预期的输出结果。3.6项目小结07项目练习一、选择题

1. 人工神经网络的基本组成单元是什么？（

）

A. 树B. 节点C. 矩阵D. 神经元

2. 在神经网络中，权重参数刚开始是多少？（

）A. 1

B. 0

C. 随机产生D. 103. 最简单的神经网络又称为什么？（

）A. 感知机B. 机器C. 深度模型D. 神经元3.7项目练习一、选择题

4. 人工神经网络的参数存储在哪里？（

）

A. 轴突B. 树突C. 神经元

D. 神经元之间的连接

5. 深层神经网络在输入层与输出层之间的层称为？（

）A. 中间层