神经网络 (NN)

神经网络 (NN) 是一种受人脑结构和功能启发的计算模型。它是大多数深度学习 (DL)模型的支柱，也是现代人工智能 (AI)中的一个基本概念。神经网络旨在通过互连的节点层（或“神经元”）处理信息来识别数据中的模式。这种结构使它们能够从大量数据中学习，从而使其在图像识别和自然语言处理 (NLP)等复杂任务中非常强大。

神经网络如何工作？

神经网络由三种主要类型的层组成：输入层、一个或多个隐藏层和输出层。每一层都包含与后续层中的神经元相连接的神经元。

1. 输入层: 这一层接收初始数据，例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。这是发生大部分计算的地方。每个神经元对其输入应用数学转换，这涉及学习模型权重和一个激活函数，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: 这一最终层产生结果，例如分类标签或预测值。

学习过程（称为训练）涉及向网络馈送大型数据集。网络进行预测，将其与实际结果进行比较，并使用损失函数计算误差。然后，它使用一种称为反向传播的算法来调整其连接的权重，以在多次迭代或epochs中最小化此误差。此过程由优化算法（如Adam）指导。

神经网络与相关概念

区分神经网络与其他相关术语非常重要：

• 机器学习 vs. 神经网络：机器学习 (ML)是 AI 的一个广泛领域，而 NN 只是 ML 模型的一种类型。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：深度学习是机器学习的一个子领域，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基于神经网络，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。

神经网络的类型与应用

神经网络具有极高的通用性，并且已被调整为各种专门的架构。以下是两个关键示例：

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。

   • 目标检测: 像Ultralytics YOLO11这样的模型使用 CNN 通过边界框识别和定位图像中的对象。 这对于自动驾驶汽车中的 AI和AI 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，从而实现对诸如 医学图像分析之类的任务的详细场景理解。您可以探索使用 Ultralytics 文档进行分割任务。

2. 自然语言处理 (NLP)：神经网络 (NN)，包括循环神经网络 (RNN)和Transformer，彻底改变了机器处理语言的方式。

   • 机器翻译: Google 翻译 等服务依靠复杂的神经网络 (NN) 以惊人的准确度自动翻译语言之间的文本。
   • 情感分析: 企业使用神经网络分析客户评论和社交媒体评论，以确定情感基调（正面、负面或中性），如 IBM 的情感分析概述中所述。

工具和框架

强大的工具和框架使开发神经网络变得容易。

• 库: 像PyTorch和TensorFlow这样的框架为创建和训练神经网络提供必要的构建块。您可以在PyTorch和TensorFlow官方网站上了解更多信息。
• 平台：Ultralytics HUB 提供了一个集成的平台，用于训练 YOLO 模型、管理数据集和简化模型部署过程。
• 预训练模型: 许多研究人员和开发人员从 Hugging Face 等中心或 Ultralytics 生态系统内的预训练模型开始。 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。