Neural Network (NN)

神经网络 (NN) 是 人工智能 (AI) 核心的一种计算模型，旨在识别模式、解释感官数据以及聚类信息。受到人脑生物结构的启发，这些网络由相互连接的节点（即“神经元”）组成，并分层排列。生物大脑利用化学信号通过突触进行交流，而数字神经网络则利用数学运算来传输信息。这些系统是现代 机器学习 (ML) 背后的基础技术，使计算机能够在没有针对每个特定规则进行显式编程的情况下，解决识别人脸、翻译语言和驾驶自动驾驶汽车等复杂问题。

神经网络与深度学习#

虽然这些术语经常可以互换使用，但区分基本的神经网络与 深度学习 (DL) 非常重要。主要的区别在于深度和复杂度。标准或“浅层”神经网络在输入和输出之间可能只有一到两个隐藏层。相比之下，深度学习涉及具有数十甚至数百层的“深层”神经网络。这种深度使 特征提取 能够自动进行，从而允许模型理解分层模式——简单的边缘变成形状，形状变成可识别的物体。关于更深入的技术探讨，MIT News 解释了深度学习 及其从基础网络演变的过程。

神经网络如何学习#

神经网络中“学习”的过程涉及调整内部参数以最小化误差。数据通过输入层进入，穿过一个或多个进行计算的隐藏层，并最终通过输出层作为预测结果输出。

• 权重和偏置： 神经元之间的每个连接都有一个“权重”，用于决定信号的强度。在训练期间，网络会根据 训练数据 调整这些权重。
• 激活函数： 为了决定神经元是否应该“激发”或激活，网络使用诸如 ReLU 或 Sigmoid 等 激活函数。这引入了非线性，使网络能够学习复杂的边界。
• 反向传播： 当网络做出预测时，它会将结果与实际正确答案进行比较。如果存在误差，一种名为 反向传播 的算法会通过网络向后发送信号以微调权重，从而随着时间的推移提高准确率。
• 优化： 诸如 随机梯度下降 (SGD) 等算法有助于找到最佳权重组合以最小化损失函数。你可以阅读更多关于 AWS 上的优化算法 的信息。

实际应用#

神经网络是定义现代时代的许多技术背后的引擎。

1. 计算机视觉： 在 计算机视觉 (CV) 领域，被称为 卷积神经网络 (CNN) 的专业网络用于分析视觉数据。诸如 Ultralytics YOLO26 的先进模型利用深层神经网络架构进行实时 目标检测。这些系统对于 农业人工智能（用于监测作物健康）以及用于异常检测的安全系统至关重要。

2. 自然语言处理： 对于涉及文本的任务，诸如 循环神经网络 (RNN) 和 Transformer 的架构彻底改变了机器理解人类语言的方式。这些网络为 机器翻译 工具和虚拟助手提供动力。你可以在 医疗人工智能 中看到这些技术的影响，它们协助转录医疗记录并分析患者档案。

3. 预测分析： 企业使用神经网络进行时间序列分析，以预测股价或库存需求。IBM 提供了关于 商业分析中的神经网络 的优秀概述。

实际实施#

现代软件库使得无需从头编写数学运算即可部署神经网络成为可能。诸如 Ultralytics Platform 等工具允许用户轻松在自定义数据集上训练这些网络。以下 Python 代码演示了如何加载预训练的神经网络（具体为最先进的 YOLO26 模型），并使用 ultralytics 包对图像运行推理。

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.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()

挑战与注意事项#

尽管功能强大，神经网络也带来了特定的挑战。它们通常需要大量标记数据来进行 监督学习。如果没有足够的数据多样性，网络很容易发生 过拟合，即它会死记硬背训练示例而不是学习泛化。此外，深层神经网络通常被称为“黑盒”，因为准确解释它们如何得出特定决策可能会很困难，这引发了对 可解释人工智能 (XAI) 的研究。IEEE 标准协会 等组织正积极致力于制定标准，以确保这些强大的网络得到合乎道德且安全的使用。