AI經歷將近60年發展,直到2012年深度學習展露頭角,在那之前準確率只能達到60%~70%左右,無法達到人類的心理閥值,隨著軟硬體等進步,準確率才大幅度提升,快速普遍商業化到各個領域中,成為21世紀最重要科技突破。
類神經網路Artificial Neural Network,簡稱ANN:一個模仿生物神經的系統,是一種讓電腦具備學習與推理判斷能力的演算法。
模仿神經系統Biological Neural Network(BNN)。
生物的神經系統:
資料來源:https://medium.com/@ilijamihajlovic/introduction-to-artificial-intelligence-neural-networks-5c7244f60425
(➊神經元Neuron:非常大量進行運算的單元。
➋樹突Dendrite(接收區):用來接收資料。
➌軸突Axon(傳導區):傳遞資料。
➍突觸Synapse(輸出區):將各個node進行連結。)
ANN主要模仿概念:神經元互相連結、多巴胺交換、閥值、訊息接收、神經脈衝、電阻可便可調整
主要架構(與上方生物的神經系統四個架構依序代表):
➊節點Node:非常大量進行運算的單元。
➋輸入Input:接受外面的刺激。
➌權重Weight:電流強度需大過閥值才會將電位傳出,以啟動下一個神經元。
➍連結Connection:Node透過各種不同方式與其他節點連結,進而形成各種不同的神經網路(ex.CNN、RNN)。
➎隱藏層Hideen Layer:夾在輸入層與輸出層中,不與外部有直接接觸,主要功能是在對所接收的資料進行加工處理,抽取出更高層次與更具區別力的綜合指標(隱藏特徵Latent Feature)
➏輸出層Output Layer:ANN經過演算處理後,最後所做出的判斷(分類、預測、異常偵測)。
類神經系統架構圖:
資料來源:https://www.tibco.com/zh-hant/reference-center/what-is-a-neural-network
ANN運算架構:
資料來源:https://wiki.pathmind.com/neural-network
Net input function轉換函數:特徵值得加權整合,公式sum=(X1xW1)+(X2xW2)+b
Activation function啟動函數:激勵函數,輸入對映到輸出端,常用有
①Sigmoid Function:output數值介於(0,1)之間,一般用在兩分類的問題,可算出事件發生概率的高低。
②Softmax Function:output數值介於(0,1)之間,多分類的Q,適用於多分類的問題,主要用在輸出層,可用來計算出不同多項事件發生的概率。
③RELU Function:output數值介於(0,+inf)之間,只能用在隱藏層的轉換,是目前所有深度學習運用最多最普遍的啟動函數,優勢是比其他函數更簡單更快。
④Leaky RELU Function:(-inf,+inf)
參考來源:人工智慧:概念應用與管理 林東清