神经网络 (NN)

神经网络（NN）是一种计算模型，由相互连接的节点组成，通过模仿人脑的生物结构来处理信息。 它模仿人脑的生物结构来处理信息。作为现代 人工智能（AI）的基石。 网络能够从数据中学习，识别模式、classify 信息进行classify 并预测结果。虽然 它们是机器学习（ML）的一个子集、 神经网络的与众不同之处在于它们能够模拟复杂的非线性关系，使其成为 生成式人工智能和自主系统等突破性技术背后的引擎。 生成式人工智能和自主系统等突破性技术背后的引擎。您可以阅读 更多有关生物学灵感的信息 神经网络的概述。

神经网络的结构

神经网络的结构由多层节点（通常称为人工神经元）组成。这些 层通过一系列数学变换，促进数据从输入到输出的流动。

• 输入层：这是网络接收原始 训练数据的入口，例如图像中的像素值 或数据集中的数字特征。
• 隐藏层：这些层位于输入和输出之间，执行大部分的 计算。隐藏层中的每个神经元对其接收到的输入施加 模型权重和偏置。 要决定神经元是否应该 "发射 "或向前传递信号，需要一个 激活函数，如 ReLU或 Sigmoid 等激活函数。
• 输出层：最后一层产生网络预测结果，如分类标签（如 "猫 "与 "狗"）或连续值。 (例如 "猫 "与 "狗"）或连续值。

为了 "学习"，网络会使用一个名为 模型训练。在训练过程中，网络会使用 预测与实际正确答案进行比较。 损失函数进行比较。一种称为 反向传播算法计算误差梯度、 的优化算法，如 随机梯度下降 (SGD) 或Adam 等优化算法调整权重，在多个 的误差最小化。

神经网络与深度学习

将神经网络与 深度学习 (DL)。主要区别在于 复杂性和深度。浅层 "神经网络可能只有一个或两个隐藏层。相比之下，深度 学习涉及的 "深度 "神经网络有很多隐藏层，允许模型自动学习分层特征。 特征。要深入了解这一区别，请浏览以下 麻省理工学院新闻》对深度学习的解释。实际上，所有深度学习模型都是神经网络，但并非所有神经网络都符合深度学习的条件。

实际应用

神经网络通过将以前需要人类智能的任务自动化，推动了几乎所有行业的创新。 智能。

1. 计算机视觉：在 在计算机视觉（CV）领域，专门的网络 称为 卷积神经网络 (CNN) 用于分析视觉数据。例如 Ultralytics YOLO11利用深度 CNN 架构进行 实时物体检测，使 应用范围包括 人工智能在农业中的应用 自动驾驶汽车的安全功能。
2. 自然语言处理：对于涉及文本和语音的任务，诸如 递归神经网络（RNN）和 变压器等架构占主导地位。这些网络 机器翻译服务和聊天机器人。 理解上下文和顺序。在这篇关于人工智能在医疗保健领域的文章中，您可以看到这些模型是如何影响各行各业的。 医疗保健领域的人工智能。 转录医疗笔记和分析病历。

实施实例

现代框架可以轻松部署神经网络。下面的Python 代码演示了如何加载一个 预训练的神经网络（特别是YOLO11），并使用 ultralytics 包装

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

工具和生态系统

构建神经网络需要强大的软件库。 PyTorch和 TensorFlow是两个最流行的开源 框架，为设计定制架构和利用 GPU 加速来加快训练速度。 对于那些希望获得简化体验的用户，Ultralytics 平台（2026 年全面推出） 提供了一个管理数据集的综合环境、 训练模型（如YOLO11）和处理部署的综合环境。要了解为这些网络提供动力的硬件，请查看 NVIDIA GPU 计算指南。