前言:
如今咱们对“cnn和ann公式”大概比较珍视,兄弟们都想要分析一些“cnn和ann公式”的相关资讯。那么小编在网摘上收集了一些对于“cnn和ann公式””的相关资讯,希望咱们能喜欢,各位老铁们快快来了解一下吧!1、人工神经网络Artificial Neural Networks(ANN)常见类型
前馈神经网络Feedforward Neural Network(FNN):前馈神经网络是最基本的人工神经网络之一。在该ANN中,所提供的数据或输入在单个方向上行进。它通过输入层进入ANN,并通过输出层退出,而隐藏层可能存在也可能不存在。因此,前馈神经网络只具有前向传播波,通常不具有后向传播波。卷积神经网络Convolutional Neural Network(CNN):卷积神经网络与前馈神经网络有一些相似之处,其中单元之间的连接具有决定一个单元对另一个单元影响的权重。但是CNN有一个或多个卷积层,该卷积层对输入使用卷积运算,然后将以输出形式获得的结果传递给下一层。CNN在语音和图像处理中有应用,这在计算机视觉中特别有用。模块神经网络Modular Neural Network(MNN):模块神经网络包含一组不同的神经网络,它们独立地工作,以获得输出,而它们之间没有相互作用。与其他网络相比,不同的神经网络中的每一个通过获得唯一的输入来执行不同的子任务。这种模块化神经网络的优点是,它将大型复杂的计算过程分解为较小的组件,从而降低了其复杂性,同时仍能获得所需的输出。径向基函数神经网络Radial Basis Function Neural Network(RBFNN):径向基函数是考虑点与中心距离的函数。RBF函数有两层。在第一层中,输入被映射到隐藏层中的所有径向基函数中,然后输出层在下一步中计算输出。径向基函数网通常用于对表示任何潜在趋势或函数的数据进行建模。递归神经网络Recurrent Neural Network(RNN):递归神经网络保存层的输出,并将该输出反馈给输入,以更好地预测层的结果。RNN中的第一层与前馈神经网络非常相似,并且一旦计算出第一层的输出,递归神经网络就开始了。在这一层之后,每个单元将记住前一步中的一些信息,以便在执行计算时充当存储单元。
2、人工神经网络Artificial Neural Networks(ANN)的应用
社交媒体:人工神经网络在社交媒体中被大量使用。例如,让我们以Facebook上的“你可能认识的人”功能为例,该功能建议你在现实生活中认识的人,这样你就可以向他们发送朋友请求。好吧,这种神奇的效果是通过使用人工神经网络来实现的,该网络分析你的个人资料、你的兴趣、你现在的朋友、他们的朋友以及各种其他因素,以计算你可能认识的人。机器学习在社交媒体中的另一个常见应用是面部识别。这是通过在人脸上找到大约100个参考点,然后使用卷积神经网络将它们与数据库中已有的参考点进行匹配来实现的。营销和销售:当你登录亚马逊和Flipkart等电子商务网站时,他们会根据你之前的浏览历史推荐你购买的产品。同样,假设你喜欢意大利面,那么Zomato、Swiggy等会根据你的口味和以前的订单历史向你推荐餐厅。这在所有新时代的营销领域都是如此,如图书网站、电影服务、酒店网站等,这是通过实施个性化营销来实现的。这使用人工神经网络来识别客户的喜好、厌恶、以前的购物历史等,然后相应地定制营销活动。医疗保健:人工神经网络在肿瘤学中用于训练算法,这些算法可以在微观层面上以与训练有素的医生相同的精度识别癌组织。各种罕见疾病可能表现在身体特征上,并且可以通过对患者照片进行面部分析来识别其早期阶段。因此,人工神经网络在医疗环境中的全面实施只能提高医学专家的诊断能力,并最终导致全球医疗质量的全面提高。个人助理:我相信你们都听说过Siri、Alexa、Cortana等,也听说过基于手机的产品。这些是个人助理,也是语音识别的一个例子,它使用自然语言处理与用户交互并相应地制定响应。自然语言处理使用人工神经网络来处理这些个人助理的许多任务,如管理语言语法、语义、正确的语音、正在进行的对话等。
标签: #cnn和ann公式 #人工神经网络基础及应用实验报告总结 #人工神经网络常用于分类与预测 #人工神经网络常用于分类与预测的方法 #人工神经网络分类的优缺点