大家好，今天小編關(guān)注到一個(gè)比較有意思的話題，就是關(guān)于機(jī)械結(jié)構(gòu)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的問題，于是小編就整理了4個(gè)相關(guān)介紹機(jī)械結(jié)構(gòu)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的解答，讓我們一起看看吧。
- knn可以用來構(gòu)造神經(jīng)網(wǎng)絡(luò)嗎？
- bp神經(jīng)網(wǎng)絡(luò)需要多少組數(shù)據(jù)？
- 什么是人工神經(jīng)網(wǎng)絡(luò)的知識表示形式？
- 人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)（物理或數(shù)學(xué)意義）是什么？
knn可以用來構(gòu)造神經(jīng)網(wǎng)絡(luò)嗎？
knn算法是最鄰近結(jié)點(diǎn)算法，或者被稱為K均值聚類算法。它不會對訓(xùn)練樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，屬于機(jī)器學(xué)習(xí)算法。機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)不同。神經(jīng)網(wǎng)絡(luò)屬于深度學(xué)習(xí)網(wǎng)絡(luò)，所以knn不可以用來構(gòu)造神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)通常由卷積層、池化層、全連接層構(gòu)成。
bp神經(jīng)網(wǎng)絡(luò)需要多少組數(shù)據(jù)？
BP神經(jīng)網(wǎng)路構(gòu)建根據(jù)系統(tǒng)輸入輸出數(shù)據(jù)特點(diǎn)確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，由于語音特征輸入信號有24維，待分類的語音信號共有四類，所以BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)維24-25-4，即輸入層油24個(gè)節(jié)點(diǎn)，隱含層有25個(gè)節(jié)點(diǎn)，輸出層有4個(gè)節(jié)點(diǎn)。
BP神經(jīng)網(wǎng)絡(luò)用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。共有2000組語音特征信號，從中隨機(jī)選擇1500組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，500組數(shù)據(jù)作為測試網(wǎng)絡(luò)測試網(wǎng)絡(luò)分類能力。
什么是人工神經(jīng)網(wǎng)絡(luò)的知識表示形式？
人工神經(jīng)網(wǎng)絡(luò)的知識表示形式是由多個(gè)神經(jīng)元組成的網(wǎng)絡(luò)結(jié)構(gòu)。每個(gè)神經(jīng)元接收多個(gè)輸入信號，通過加權(quán)和和激活函數(shù)處理后輸出一個(gè)結(jié)果。神經(jīng)元之間的連接權(quán)重可以通過訓(xùn)練算法進(jìn)行優(yōu)化。整個(gè)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果可以用于分類、回歸等任務(wù)。
在深度學(xué)習(xí)領(lǐng)域，通過構(gòu)建多層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，可以提高模型的表現(xiàn)能力，得到更好的結(jié)果。
人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)（物理或數(shù)學(xué)意義）是什么？
從數(shù)學(xué)的角度講，人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)從機(jī)器學(xué)習(xí)的過程可理解為通過參數(shù)求最佳解得過程。同樣也是一個(gè)負(fù)反饋的過程，以最簡單的負(fù)反饋神經(jīng)網(wǎng)絡(luò)bp神經(jīng)網(wǎng)絡(luò)(back propagation)為例，其本質(zhì)可以形象的理解為這樣一個(gè)過程：
我們***設(shè)這個(gè)剛搭建的好的機(jī)器人叫“小明”（***設(shè)他剛出生），他的硬件軟件等我們不需要考慮的部分全部是最先進(jìn)的，小明的大腦里現(xiàn)在是最純凈的，除了一個(gè)學(xué)習(xí)的算法什么都沒有，就像一個(gè)剛出生的嬰兒一樣。
現(xiàn)在，小明餓了，想吃東西。那么如何才能吃到東西呢？在什么都不知道的情況下，小明開始探索如何才能不餓。他可能會伸手，或者笑、哭，于是母親喂了他吃的，從邏輯上可以這么理解：
然后他每次餓了，都開始伸手-笑-哭，然后就有吃的了。突然，有一天他自己也不知道怎么搞的，直接哭了。然后---有吃的了?。?！這時(shí)他才明白這一個(gè)邏輯：
這時(shí)候，機(jī)器人“小明“明白，其實(shí)達(dá)到一個(gè)目的很簡單，但是需要不斷嘗試。
再后來，小明又餓了，這回他懶得動，稍微小哭了一下等吃的，結(jié)果媽媽沒來喂他！這是為啥？然后他就哭的超級大聲，媽媽看他這樣子以為是病了，急沖沖的送她去診所，結(jié)果啥病也沒有，小明迷惑，這是為什么？邏輯可以這么理解：
(1)非局限性因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)的整個(gè)識別過程是基于全部輸入神經(jīng)元以及閾值等共同決定的。神經(jīng)元之間的聯(lián)系結(jié)構(gòu)是圖形結(jié)構(gòu)'應(yīng)，各神經(jīng)元之間彼此作用，相互影響，人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)的模擬訓(xùn)練中常常就是對類比與大腦的神經(jīng)元之間的對信息相互作用、提取特征、最終聯(lián)想的過程。
(2)非線性自然界中事物的普遍聯(lián)系都是非線性的，并不是簡單因素的加權(quán)組合，也就不能用用簡單的線性組合來刻劃彼此因素***間的關(guān)聯(lián)。人工神經(jīng)網(wǎng)絡(luò)是模擬大腦的各神經(jīng)元對事物識別記憶的原理。可以通過自適應(yīng)，自我修復(fù)的過程實(shí)現(xiàn)對事物的判斷。根據(jù)具體的應(yīng)用設(shè)置適當(dāng)?shù)拈撝低鶗沟糜?xùn)練過程更加的趨于收斂，具有更好的性能，同時(shí)往往更好的收斂并能在容錯性和存儲容量上有很大的提高。
(3)非凸性人工神經(jīng)網(wǎng)絡(luò)因?yàn)樵谧赃m應(yīng)的訓(xùn)練過程中，其訓(xùn)練過程中的自適應(yīng)過程常受特定的狀態(tài)函數(shù)影響。此函數(shù)因?yàn)槭欠峭剐裕瑢?dǎo)致可能存在不同的極值點(diǎn)，就有可能在訓(xùn)練過程中陷入局部收斂從而導(dǎo)致結(jié)果不理想，也就是說存在收斂過快的情況，系統(tǒng)訓(xùn)練結(jié)果可能存在演化多樣性。
(4)非常定性人工神經(jīng)網(wǎng)絡(luò)因具有較強(qiáng)的自適應(yīng)、自學(xué)習(xí)能力，能夠在處理信息的過程中不斷地改變自身的值。
神經(jīng)網(wǎng)絡(luò)本質(zhì)是一個(gè)程序或運(yùn)算，其結(jié)構(gòu)特征決定其是對某問題或系統(tǒng)的高效表示，所以我認(rèn)為神經(jīng)網(wǎng)絡(luò)有其一般物理基礎(chǔ)而并非僅對人腦的模擬。類似的物理系統(tǒng)是描述多體量子態(tài)的tensor network?？烧J(rèn)為一般的對象都可由一個(gè)程序高效生成，如一幅圖像，這個(gè)生成程序就可表達(dá)為一個(gè)神經(jīng)網(wǎng)絡(luò)。所以對象和網(wǎng)絡(luò)結(jié)構(gòu)有對應(yīng)性。自然世界由那些可用深度網(wǎng)絡(luò)表達(dá)的對象構(gòu)成，而不可表達(dá)的對象在自然界出現(xiàn)的概率極小
看了幾個(gè)回答，都不錯，不過問題問的是“數(shù)學(xué)本質(zhì)”，我覺得回答們似乎都太“技術(shù)性”了。
Deep Learning 的數(shù)學(xué)本質(zhì)在我看來異常簡單，就是兩個(gè)基本的數(shù)學(xué)問題：找特征，求極值。
這個(gè)“特征”就是數(shù)學(xué)里常說的特征值，特征方程，特征向量… 都一樣，一般來說“特征”就是反映一種函數(shù)的“不變性”。
最簡單的，一張照片里光線好不好？有沒有明顯的邊界？前者可以定義一個(gè)特征值：亮度的均值。后者可以定義另一個(gè)特征值：梯度。
以往傳統(tǒng)的機(jī)器學(xué)習(xí)理論，這樣的特征需要算法設(shè)計(jì)者去“想出來”，這就像解幾何題，你得想出怎么畫***線。想不出來，你就解不出題。
到此，以上就是小編對于機(jī)械結(jié)構(gòu)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的問題就介紹到這了，希望介紹關(guān)于機(jī)械結(jié)構(gòu)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的4點(diǎn)解答對大家有用。
