人工智能应用基础 课件 项目3 人工神经网络.pptx

;技术篇

项目3?人工神经网络;01;;;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。;;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：;;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。;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。;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。;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？;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，??经元被激活输出1，得出小明会出门去公园游玩。;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;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。;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。;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。;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。;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。;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）;;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。;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。;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。;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。;配置信息

在训练配置阶段，我们选择