Neural Network (NN)

神经网络 (NN) 是一种计算模型，它是 人工智能 (AI) 的核心，旨在识别模式、解释感官数据并对信息进行聚类。这些网络受人脑生物结构的启发，由相互连接的节点（即“神经元”）组成，并分层排列。虽然生物大脑使用化学信号通过突触进行交流，但数字神经网络使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，使计算机能够解决诸如识别人脸、翻译语言和驾驶自动驾驶汽车等复杂问题，而无需为每一条特定规则进行明确编程。

Link to this section神经网络与深度学习#

虽然这些术语经常互换使用，但区分基本神经网络和 深度学习 (DL) 很重要。主要区别在于深度和复杂性。标准或“浅层”神经网络在输入层和输出层之间可能只有一两个隐藏层。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。这种深度使得 特征提取 能够自动进行，从而使模型能够理解分层模式——简单的边缘变成形状，形状变成可识别的对象。如需进行更深入的技术探究，MIT News 对深度学习 及其从基础网络演变而来的过程进行了详细解释。

Link to this section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“触发”或激活，网络使用像 ReLU 或 Sigmoid 这样的 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，一种称为 反向传播 的算法会向后通过网络发送信号以微调权重，从而随时间提高准确性。
• 优化： 诸如 随机梯度下降 (SGD) 之类的算法有助于找到最佳权重集以最小化损失函数。你可以阅读更多关于 AWS 上优化算法 的内容。

Link to this section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 (CNNs) 的专用网络被用于分析视觉数据。像 Ultralytics YOLO26 这样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 AI 至关重要，它们在那里监测作物健康，并在安防系统中用于异常检测。

2. 自然语言处理： 对于涉及文本的任务，诸如 循环神经网络 (RNNs) 和 Transformer 之类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支持。你可以在 医疗保健 AI 中看到这些技术的影响，它们在那里辅助转录医疗笔记并分析患者记录。

3. 预测分析： 企业利用神经网络进行时间序列分析，以预测股票价格或库存需求。IBM 提供了一份关于 商业分析中神经网络 的优秀概述。

Link to this section实际实施#

现代软件库使得部署神经网络变得触手可及，无需从头编写数学运算。诸如 Ultralytics Platform 之类的工具允许用户轻松地在自定义数据集上训练这些网络。以下 Python 代码演示了如何使用 ultralytics 包加载预训练的神经网络（特别是最先进的 YOLO26 模型）并对图像进行推理。

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()

Link to this section挑战与注意事项#

尽管神经网络功能强大，但也面临着特定的挑战。它们通常需要大量标记数据用于 监督学习。如果缺乏足够的数据多样性，网络很容易出现 过拟合，即它会记忆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”，因为解释它们究竟如何得出特定决策可能很困难，这引发了对 可解释人工智能 (XAI) 的研究。诸如 IEEE 标准协会 之类的组织正积极致力于制定标准，以确保这些强大的网络被道德且安全地使用。