第三章:人工智能深度学习教程-基础神经网络(第一节-ANN 和 BNN 的区别)

本文主要是介绍第三章:人工智能深度学习教程-基础神经网络(第一节-ANN 和 BNN 的区别),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

你有没有想过建造大脑之类的东西是什么感觉,这些东西是如何工作的,或者它们的作用是什么?让我们看看节点如何与神经元通信,以及人工神经网络和生物神经网络之间有什么区别。

1.人工神经网络人工神经网络(ANN)是一种基于前馈策略的神经网络。之所以这样称呼,是因为它们不断地通过节点传递信息,直到到达输出节点。这也被称为最简单的神经网络类型。ANN 的一些优点:

  • 无论数据类型如何(线性或非线性),都能够学习。

  • 人工神经网络具有高度波动性,最适合金融时间序列预测。

ANN 的一些缺点:

  • 最简单的架构很难解释网络的行为。

  • 该网络依赖于硬件。

2.生物神经网络:生物神经网络(BNN)是由突触、树突、细胞体和轴突组成的结构。在这个神经网络中,处理是由神经元进行的。树突接收来自其他神经元的信号,体细胞将所有输入信号相加,轴突将信号传输到其他细胞。 

BNN 的一些优点:  

  • 突触是输入处理元件。

  • 它能够处理高度复杂的并行输入。

BNN 的一些缺点:

  • 没有控制机制。

  • 处理速度很慢,因为它很复杂。

ANN 和 BNN 之间的区别:

生物神经网络(BNN)和人工神经网络(ANN)都由相似的基本组件组成,但它们之间也存在一些差异。

神经元:在 BNN 和 ANN 中,神经元是处理和传输信息的基本构建块。然而,BNN 神经元比 ANN 更复杂、更多样化。在 BNN 中,神经元具有多个树突,接收来自多个源的输入,轴突将信号传输到其他神经元,而在 ANN 中,神经元被简化,通常只有一个输出。

突触:在 BNN 和 ANN 中,突触是神经元之间的连接点,信息在此处传输。然而,在ANN中,神经元之间的连接通常是固定的,连接的强度由一组权重决定,而在BNN中,神经元之间的连接更加灵活,连接的强度可以通过多种因素,包括学习和经验。

神经通路:在 BNN 和 ANN 中,神经通路是神经元之间的连接,允许信息在整个网络中传输。然而,在 BNN 中,神经通路高度复杂且多样,神经元之间的连接可以通过经验和学习来修改。在人工神经网络中,神经通路通常更简单,并且由网络架构预先确定。

参数神经网络神经网络
结构 

输入

重量

输出

隐藏层

树突

突触

轴突

细胞体

学习非常精确的结构和格式化数据他们可以容忍歧义
处理器

复杂的

高速

一个或几个

简单的

低速

大数字

记忆 

与处理器分离

本地化的

非内容可寻址

集成到处理器中 

分散式

内容可寻址

计算

集中

顺序的

存储程序

分散式

平行线

自学

可靠性非常脆弱强壮的
专业知识

数字和符号

操纵

感性的 

问题

操作环境

明确的

良好约束的

定义不清

无约束的

容错能力容错潜力即使部分损坏,性能也会下降

总体而言,虽然 BNN 和 ANN 共享许多基本组件,但它们在复杂性、灵活性和适应性方面存在显着差异。BNN 是高度复杂且适应性强的系统,可以并行处理信息,其可塑性使它们能够随着时间的推移进行学习和适应。相比之下,人工神经网络是更简单的系统,旨在执行特定任务,它们的连接通常是固定的,网络架构由设计者确定。

这篇关于第三章:人工智能深度学习教程-基础神经网络(第一节-ANN 和 BNN 的区别)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/366591

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}