不僅是神經(jīng) 網(wǎng)絡(luò)，所有的機器學(xué)習(xí)算法都是數(shù)據(jù)。越多，學(xué)習(xí)效果越好。因為機器學(xué)習(xí)是數(shù)據(jù)背后的邏輯和規(guī)律，這個規(guī)律隱藏在大量的數(shù)據(jù)背后，而數(shù)據(jù)太少，無法呈現(xiàn)一個普遍規(guī)律，所以只能呈現(xiàn)一個例子。一般來說數(shù)據(jù)越多越好。但是，增加數(shù)據(jù)并不是增強預(yù)測能力的唯一途徑。我們還可以通過調(diào)整超參數(shù)、改變網(wǎng)絡(luò)的結(jié)構(gòu)、使用正則化/BN層等防過擬合技術(shù)來改進。

1。一些基礎(chǔ)知識和原理先看看神經(jīng) 網(wǎng)絡(luò): 1的缺點。黑匣子神經(jīng) 網(wǎng)絡(luò)最有可能已知的缺點就是它們的“黑匣子”。比如你把一只貓的圖像放在神經(jīng) 網(wǎng)絡(luò)，預(yù)測結(jié)果顯示是一輛車，很難理解。在某些領(lǐng)域，可解釋性非常重要。很多銀行都不會用神經(jīng) 網(wǎng)絡(luò)來預(yù)測一個人是否有信用，因為他們需要向客戶解釋為什么沒有拿到貸款。

如果他們因為機器學(xué)習(xí)算法而決定刪除用戶賬號，他們需要向用戶解釋原因。如果將機器學(xué)習(xí)應(yīng)用于重要的商業(yè)決策，你能想象一個大公司的CEO會在不理解為什么要完成的情況下，做出一個數(shù)百萬美元的決策嗎？就因為“電腦”說他需要這么做？2.開發(fā)時長雖然有Keras這樣的庫，使得神經(jīng) 網(wǎng)絡(luò)的開發(fā)相當(dāng)簡單，但是有時候你需要更多的控制算法的細(xì)節(jié)。

人工智能技術(shù)是目前的熱點，基于神經(jīng) 網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)是熱點。去年谷歌的AlphaGo以4:1的比分擊敗韓國的李世石九段，可見深度學(xué)習(xí)的強大威力。隨后的AlphaMaster和AlphaZero的加強版在性能上徹底碾壓了前者。不管怎么看，以深度學(xué)習(xí)為代表的人工智能技術(shù)正在塑造未來。

NVIDIA這幾年股價的飆升足以證明深度學(xué)習(xí)的井噴之勢。好了，我不多說了。下面簡單介紹一下神經(jīng) 網(wǎng)絡(luò)的基本原理、發(fā)展和優(yōu)點。神經(jīng) 網(wǎng)絡(luò)是人類受生物神經(jīng)細(xì)胞結(jié)構(gòu)啟發(fā)而發(fā)展起來的算法體系，是機器學(xué)習(xí)算法的大類之一。先來看人腦神經(jīng) cell:a神經(jīng)cell通常有多個樹突，主要用來接收傳入的信息，而軸突只有一個，軸突末端有很多軸突末梢，可以向其他神經(jīng)cell傳遞信息。

差異:1。計算方法不同1，前饋神經(jīng) -1/:最簡單的神經(jīng)-1/，各-0。每個神經(jīng)元素只與前一個神經(jīng)元素連接，接收上一層的輸出，輸出到下一層。層間沒有反饋，2.BP 神經(jīng) 網(wǎng)絡(luò):是根據(jù)誤差反向傳播算法神經(jīng) 網(wǎng)絡(luò)訓(xùn)練的多層前饋。3.卷積神經(jīng) 網(wǎng)絡(luò):帶卷積計算和深度結(jié)構(gòu)的前饋神經(jīng) 網(wǎng)絡(luò)，2.功能不同1。前饋神經(jīng)-1/:結(jié)構(gòu)簡單，應(yīng)用廣泛，可以任意精度逼近任意連續(xù)函數(shù)和平方可積函數(shù)，可以精確實現(xiàn)任意有限的訓(xùn)練樣本集。