什么是神经网络？学习人工智能必会的八大神经网络盘点

神经网络是一套特定的算法，是机器学习中的一类模型，神经网络本身就是一般泛函数的逼近，它能够理解大脑是如何工作，能够了解受神经元和自适应连接启发的并行计算风格，通过使用受大脑启发的新颖学习算法来解决实际问题等。

机器学习可以解决人类不能直接用编程来应对的复杂难题，因此，我们喂给机器学习算法大量的数据，以期得到想要的答案。

我们来看看这两个例子：

编写解决问题的程序是非常困难的，比如在杂乱的场景中，在新的照明条件下从新的角度来识别三维物体。我们不知道要如何通过代码来解决这个问题，因为这个识别过程在大脑中完成情况对我们来说还是未解之谜。 即使我们知道该怎么做，要编写的程序可能会非常复杂。

再比如，编写一个程序来预测信用卡交易欺诈发生的概率也是很难的，这可能也不存在任何简单而可靠的规则。因为欺诈是一个动态的目标，但程序需要不断变化。我们需要做的是结合大量的弱项规则来进行欺诈预测。

再者是机器学习方法。我们并不需要为每个特定的任务手动编写程序，而是收集大量的例子，为给定的输入指定正确的输出。然后，机器学习算法拿这些例子，并产生一个程序来完成这项工作。

学习算法产生的程序可能与典型的手写程序看起来非常不同。它可能包含数百万的数字。如果方法得当，该计划将适用于新案例以及我们训练的案例。如果数据改变，程序也可以通过对新数据进行训练来改变。你应该注意到，现在大量的计算比支付某人编写任务特定的程序来的更廉价。

鉴于此，机器学习能够很好地解决一些任务，包括：

模式识别：真实场景中的对象，面部识别或面部表情，口语等；

异常情况识别：信用卡交易的异常顺序，核电厂传感器读数的异常模式等；

预测：未来的股票价格或货币汇率，一个人会喜欢的电影等。

神经网络是一般机器学习中的一类模型，它是一套特定的算法，受到生物神经网络的启发，彻底改变了机器学习的领域。目前所谓的深度神经网络的出现就已经证明它能够工作得非常好。

神经网络本身就是一般泛函数的逼近，这就是为什么它们几乎可以应用于任何机器学习问题，因为所有的机器学习都是学习从输入到输出空间的复杂映射。

以下是说服你学习神经计算的三个理由：

能够理解大脑是如何工作的：这是非常大且复杂的问题，并且是个令人绞尽脑汁去思考的问题，因此我们需要使用计算机来模拟。

能够了解受神经元和自适应连接启发的并行计算风格：这是一种与顺序计算非常不同的风格。

通过使用受大脑启发的新颖学习算法来解决实际问题：即使这不是大脑实际工作的方式，但这样的学习算法也是非常有用的。

在这篇文章中，我想分享八种神经网络架构，这是每一位从事机器学习的研究人员都应该熟悉的。