神經(jīng)網(wǎng)絡(luò)是一套特定的算法，是機(jī)器學(xué)習(xí)中的一類模型，神經(jīng)網(wǎng)絡(luò)本身就是一般泛函數(shù)的逼近，它能夠理解大腦是如何工作，能夠了解受神經(jīng)元和自適應(yīng)連接啟發(fā)的并行計算風(fēng)格，通過使用受大腦啟發(fā)的新穎學(xué)習(xí)算法來解決實(shí)際問題等。

機(jī)器學(xué)習(xí)可以解決人類不能直接用編程來應(yīng)對的復(fù)雜難題，因此，我們喂給機(jī)器學(xué)習(xí)算法大量的數(shù)據(jù)，以期得到想要的答案。

我們來看看這兩個例子：

編寫解決問題的程序是非常困難的，比如在雜亂的場景中，在新的照明條件下從新的角度來識別三維物體。我們不知道要如何通過代碼來解決這個問題，因?yàn)檫@個識別過程在大腦中完成情況對我們來說還是未解之謎。 即使我們知道該怎么做，要編寫的程序可能會非常復(fù)雜。

再比如，編寫一個程序來預(yù)測信用卡交易欺詐發(fā)生的概率也是很難的，這可能也不存在任何簡單而可靠的規(guī)則。因?yàn)槠墼p是一個動態(tài)的目標(biāo)，但程序需要不斷變化。我們需要做的是結(jié)合大量的弱項(xiàng)規(guī)則來進(jìn)行欺詐預(yù)測。

再者是機(jī)器學(xué)習(xí)方法。我們并不需要為每個特定的任務(wù)手動編寫程序，而是收集大量的例子，為給定的輸入指定正確的輸出。然后，機(jī)器學(xué)習(xí)算法拿這些例子，并產(chǎn)生一個程序來完成這項(xiàng)工作。

學(xué)習(xí)算法產(chǎn)生的程序可能與典型的手寫程序看起來非常不同。它可能包含數(shù)百萬的數(shù)字。如果方法得當(dāng)，該計劃將適用于新案例以及我們訓(xùn)練的案例。如果數(shù)據(jù)改變，程序也可以通過對新數(shù)據(jù)進(jìn)行訓(xùn)練來改變。你應(yīng)該注意到，現(xiàn)在大量的計算比支付某人編寫任務(wù)特定的程序來的更廉價。

鑒于此，機(jī)器學(xué)習(xí)能夠很好地解決一些任務(wù)，包括：

模式識別：真實(shí)場景中的對象，面部識別或面部表情，口語等；

異常情況識別：信用卡交易的異常順序，核電廠傳感器讀數(shù)的異常模式等；

預(yù)測：未來的股票價格或貨幣匯率，一個人會喜歡的電影等。

神經(jīng)網(wǎng)絡(luò)是一般機(jī)器學(xué)習(xí)中的一類模型，它是一套特定的算法，受到生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，徹底改變了機(jī)器學(xué)習(xí)的領(lǐng)域。目前所謂的深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)就已經(jīng)證明它能夠工作得非常好。

神經(jīng)網(wǎng)絡(luò)本身就是一般泛函數(shù)的逼近，這就是為什么它們幾乎可以應(yīng)用于任何機(jī)器學(xué)習(xí)問題，因?yàn)樗械臋C(jī)器學(xué)習(xí)都是學(xué)習(xí)從輸入到輸出空間的復(fù)雜映射。

以下是說服你學(xué)習(xí)神經(jīng)計算的三個理由：

能夠理解大腦是如何工作的：這是非常大且復(fù)雜的問題，并且是個令人絞盡腦汁去思考的問題，因此我們需要使用計算機(jī)來模擬。

能夠了解受神經(jīng)元和自適應(yīng)連接啟發(fā)的并行計算風(fēng)格：這是一種與順序計算非常不同的風(fēng)格。

通過使用受大腦啟發(fā)的新穎學(xué)習(xí)算法來解決實(shí)際問題：即使這不是大腦實(shí)際工作的方式，但這樣的學(xué)習(xí)算法也是非常有用的。

在這篇文章中，我想分享八種神經(jīng)網(wǎng)絡(luò)架構(gòu)，這是每一位從事機(jī)器學(xué)習(xí)的研究人員都應(yīng)該熟悉的。