神经网络 (NN)

一个神经网络 (NN)是人工智能 (AI)核心的计算模型，旨在识别模式、解释感官数据和聚类信息。受人脑生物结构的启发，这些网络由相互连接的节点或“神经元”组成，并分层组织。生物大脑通过化学信号在突触间通信，而数字神经网络则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，使计算机能够解决识别面部、翻译语言和驾驶自动驾驶汽车等复杂问题，而无需为每个特定规则进行显式编程。

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)至关重要。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个层的“深层”神经网络。这种深度使得特征提取能够自动进行，让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。如需更深入的技术探讨，麻省理工学院新闻解释了深度学习及其从基本网络演变而来的过程。

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，经过一个或多个隐藏层进行计算，并通过输出层作为预测输出。

• Weights and Biases： 神经元之间的每个连接都有一个“权重”，它决定了信号的强度。在训练过程中，网络根据 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“激活”，网络使用 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，一个名为 反向传播 的算法会向后发送信号穿过网络，以微调权重，从而随着时间的推移提高准确性。
• 优化： 随机梯度下降 (SGD) 等算法有助于找到最优的权重集以最小化损失函数。您可以在 AWS 上阅读更多关于优化算法的信息。

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，称为卷积神经网络 (CNN)的专用网络用于分析视觉数据。像Ultralytics YOLO26这样的先进模型利用深度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，它们在农业中监测作物健康，并在安全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，像循环神经网络 (RNN)和Transformer这样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。您可以在医疗AI中看到这些技术的影响，它们协助转录医疗笔记和分析患者记录。
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 提供了一篇关于 商业分析中神经网络的优秀概述。

具体实施

现代软件库使得部署神经网络变得容易，无需从头编写数学运算。诸如 Ultralytics 平台 允许用户轻松地在自定义数据集上训练这些网络。以下 python 代码演示了如何加载预训练神经网络（特别是最先进的 YOLO26 模型）并使用 ultralytics 包装

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()

挑战与考量

尽管神经网络功能强大，但它们也带来了一些特定的挑战。它们通常需要大量的标注数据进行监督学习。如果数据多样性不足，网络容易出现过拟合，即它会记住训练示例而不是学习泛化。此外，深度神经网络常被称为“黑箱”，因为准确解释它们如何做出特定决策可能很困难，这激发了对可解释AI（XAI）的研究。IEEE标准协会等组织正在积极制定标准，以确保这些强大的网络得到道德和安全的使用。