神经网络与机器学习
神经网络代替模型和用学习规则代替机器学习
-
神经网络代替模型：
神经网络是一种受到生物神经系统启发的计算模型，它由多个神经元层组成，这些神经元层之间有连接权重，可以通过训练来调整这些权重，以执行特定的任务。神经网络通过前向传播和反向传播来学习从输入到输出的映射关系，通常在监督学习任务中使用。这种方法通常涉及大量的数据和计算资源，并且在各种领域中都取得了巨大的成功，包括图像识别、自然语言处理、游戏等。 -
用学习规则代替机器学习：
用学习规则代替机器学习通常指的是在构建智能系统时使用一组预定的规则或算法，而不是依赖于从数据中学习的机器学习方法。这些规则可以是手动设计的，也可以是基于领域专业知识的，用于解决特定的问题。这种方法在一些情况下可以更可解释，因为规则是人工定义的，而不是从数据中自动学习的。然而，它的适用性通常受限于问题的复杂性和规模，因为手动设计和维护规则可能变得非常耗时且不切实际。
总结起来，神经网络代替模型通常用于处理大规模、复杂的数据任务，通过学习权重来建模复杂的映射关系。而用学习规则代替机器学习通常更适用于简单的问题，或者在需要可解释性的情况下，人们可以手动设计规则来解决问题。这两种方法各有优点和局限性，选择取决于具体的应用和需求。
与大脑的联系
神经网络的结点
神经网络中的节点通常被称为神经元（neurons）或者单元（units），它们是构成神经网络的基本组件。每个神经元都具有一些输入和一个输出，它们通过连接权重和激活函数来处理输入并生成输出。以下是神经网络节点的主要组成部分：
-
输入（Input）：
输入是神经元接收的信息或数据。这些信息可以来自外部环境或前一层神经元的输出。输入通常以数值形式表示，例如特征值或原始像素值。 -
连接权重（Connection Weights）：
每个输入都与神经元连接，每个连接都有一个相关的权重。这些权重决定了输入对神经元的影响程度，可以增加或减少输入的重要性。在训练过程中，神经网络会调整这些权重以优化模型的性能。 -
加权和（Weighted Sum）：
输入与连接权重相乘，并且它们的总和被计算出来。这个加权和表示了神经元对输入的综合反应。 -
激活函数（Activation Function）：
激活函数是神经元的非线性函数，它接受加权和作为输入，并产生神经元的输出。激活函数引入了非线性性质，使神经网络能够学习复杂的函数关系。常见的激活函数包括Sigmoid、ReLU（Rectified Linear Unit）、Tanh等。 -
输出（Output）：
神经元的输出是经过激活函数处理后的值，通常是一个实数。这个输出可以传递给下一层神经元，作为下一层的输入。
神经网络通常由多层神经元组成，其中包括输入层、隐藏层和输出层。输入层接受原始数据，隐藏层用于处理中间表示，而输出层生成最终的模型预测或输出。节点之间的连接和权重在整个网络中起到传递和调整信息的作用，通过训练算法来调整权重，以使网络能够学习复杂的数据关系。神经网络的深度（层数）和宽度（每层的神经元数量）可以根据任务的要求来设计和调整。