神经网络 (NN)

神经网络（NN）是一种计算模型，其灵感来源于人脑的结构和功能。它是大多数深度学习（DL）模型的支柱，也是现代人工智能（AI）的基本概念。神经网络旨在通过相互连接的节点层或 "神经元 "来处理信息，从而识别数据中的模式。这种结构允许它们从海量数据中学习，使其在图像识别和自然语言处理（NLP）等复杂任务中发挥难以置信的强大作用。

神经网络如何工作？

神经网络主要由三层组成：输入层、一个或多个隐藏层以及输出层。每一层都包含与下一层神经元相连的神经元。

1. 输入层：该层接收初始数据，如图像的像素或句子中的单词。
2. 隐藏层：这些是输入和输出之间的中间层。大部分计算都在这里进行。每个神经元都会对其输入进行数学转换，其中包括学习模型权重和激活函数（如ReLU或Sigmoid），以确定其输出。具有多个隐藏层的网络被称为 "深度 "神经网络。
3. 输出层：最后一层产生结果，如分类标签或预测值。

学习过程称为训练，包括向网络提供大量数据集。网络进行预测，将预测结果与实际结果进行比较，并使用损失函数计算误差。然后，它使用一种名为 "反向传播"的算法来调整其连接的权重，以便在多次迭代或历时中将误差最小化。这一过程由亚当（Adam）这样的优化算法引导。

神经网络与相关概念

重要的是要将 NN 与其他相关术语区分开来：

• 机器学习与神经网络：机器学习（ML）是人工智能的一个广泛领域，而神经网络只是 ML 模型的一种。其他 ML 模型包括决策树和支持向量机 (SVM)，它们不使用分层神经元架构。
• 深度学习与神经网络：深度学习是 ML 的一个子领域，专门使用深度神经网络--具有多个隐藏层的神经网络。因此，所有深度学习系统都以神经网络为基础，但只有一个隐藏层的简单神经网络可能不被认为是 "深度 "的。

神经网络的类型和应用

神经网络的用途非常广泛，已被改编成各种专用架构。以下是两个重要实例：

1. 计算机视觉（CV）：卷积神经网络（CNN）是计算机视觉领域的主导力量。

   • 物体检测:Ultralytics YOLO11等模型使用 CNN，通过边界框识别和定位图像中的物体。这对自动驾驶汽车中的人工智能和人工智能驱动的库存管理等应用至关重要。
   • 图像分割:神经网络可以对图像中的每个像素进行分类，从而为医疗图像分析等任务提供详细的场景理解。您可以通过 Ultralytics 文档了解图像分割任务。

2. 自然语言处理 (NLP)：包括递归神经网络（RNN）和变形器在内的神经网络彻底改变了机器处理语言的方式。

   • 机器翻译:谷歌翻译等服务依靠复杂的 NN 自动翻译不同语言之间的文本，准确度极高。
   • 情感分析:企业使用 NN 来分析客户评论和社交媒体评论，以确定情感基调（积极、消极或中性）。

工具和框架

功能强大的工具和框架使开发 NN 变得易如反掌。

• 库：PyTorch和TensorFlow等框架提供了创建和训练 NN 的基本构件。您可以在PyTorch和TensorFlow的官方网站上了解更多信息。
• 平台：Ultralytics HUB为训练YOLO模型、管理数据集和简化模型部署流程提供了一个集成平台。
• 预训练模型：许多研究人员和开发人员都是从Hugging Face等中心或 Ultralytics 生态系统中提供的预训练模型开始的。这些模型通常只需要在特定数据集上进行微调，从而节省大量时间和计算资源。您可以在我们的文档中找到不同 YOLO 模型之间的比较。