大家好，今天小编关注到一个比较有意思的话题，就是关于神经网络架构的问题，于是小编就整理了1个相关介绍神经网络架构的解答，让我们一起看看吧。
神经网络是什么？
下面我们来点通俗易懂的几个概念。如果想系统性学习，建议买一些相关的书籍看一看。
神经网络技术是机器学习下属的一个概念，本质上是从信息处理的角度对人脑神经元网络进行抽象模拟，从而建立计算模型。
基于神经连接的计算模型在上世纪40年代开始受到重视，大量的训练数据（包括图像、视频和语音）成功的实现了数据分析。在深度学习发展之前，神经网络通常只有3到5层，和几十个神经元/节点；深度学习之后，神经网络扩展到7到10层，甚至更多层，模拟神经元数目增至百万量级，从而面向更为复杂的问题实现更为可靠的处理。当下兴起的人工智能，主要就是大规模的深度学习。
具体来看，神经网络有三类主要形式：
1.1 前馈神经网络
前馈神经网络（Feed forward neural networks）是最常见的人工神经网络。在这种结构下，信息只向一个方向（向前）移动，即从输入层经过“隐藏层”到输出层，没有循环网络。首个单节神经网络在1958年提出，经过计算能力和训练算法的***展，前馈神经网络展现出了更高的性能水平。
1.2 循环神经网络
循环神经网络(Recurrent neural networks)指结构中包含节点定向连接成环（loops）的人工神经网络，非常适合于处理（手写、文本、语音形式的）任意时序的输入序列。2016年11月，牛津研究报告显示，基于神经网络（和卷积神经网络）的系统在唇语识别应用中实现了95%的准确率（有经验的人类唇语者准确率近52%）。
1.3 卷积神经网络
卷积神经网络（Convolutional neural networks）是一种深度前馈人工神经网络，其逻辑结构受动物视觉大脑皮层的启发，对于大型图像处理（视觉感知任务）有出色表现。
神经网络旨在通过构建多层次（输入层、隐层、输出层）的机器学习模型和海量训练数据来学习更有用的特征，能够构建复杂的人工智能模型，从而模拟人脑解决人工智能问题。2006年Hinton等人提出“深度学习”神经网络以后，人工智能在技术上经过5-8年的沉淀后获得突破性进展，自2012年以来，以“卷积神经网络（CNNs）”和“递归神经网络（RNN）”为主的深度学习模型使得复杂任务分类准确率大幅提高，相比其他算法效果和效率改善显著，从而推动了以图像处理、语音识别以及语义理解技术为核心的人工智能的的快速发展。
神经网络的目标旨在用简单的独立结构构建出复杂的数学模型。在单独的节点和节点之间是简单的线性模型，而当层数变多，节点数变多的时候，整个模型构建出了非线性的特征，具有强大的数学模型效果，通过数据学习出适合特定数据的网络参数，从而适应极为复杂的现实情况。深度学习用通俗的说法来看，就是层数较多的神经网络。最基础的神经网络模型是前馈神经网络，这是最基础的模型，其他的神经网络结构的逻辑结构和训练方式都基于这个模型。神经网络模型可以看作是一个黑箱子，外部很多观测到的特征，这些特征按照模型要求作为输入节点，数据在这些节点中按照自己的特征输入，这个模型的目的是通过一个较为复杂的结构得到目标值。其实不用把神经网络想得有多么高深，其实中间的每个节点的连接只是最简单的线性方程。我用通俗的方式打个比方，如果我们把一个人的特征进行数学表达，然后判断他是什么性别，我们用神经网络可以这样来表示，中间的黑箱就是神经网络：
这个黑箱过程是一个很复杂的结构，这些结构就是所谓的隐层节点，隐层节点相互之间连接是通过线性结构连接的，他们可以是一层也可以是多层，每一层的节点数可以是任意的，当调整好结构之后，数据就可以根据训练数据学习出特定的模型，这个模型中隐含了数据的模式，在未来遇到不曾遇到的数据之后这些数据就会通过学习到的结构得出想要解决的目标。在这里，对输入端特征的选取和把目标问题转化成模型的输出是需要去尝试的，当可以将实际问题转化成神经网络能够处理的问题之后，隐层结构的构建也是需要经验的。
神经网络最重要的几个概念就是前向反馈，反向反馈，权重更新，具体来说我可以用单层神经网络的训练过程做一个解释。
我们给定了样本的输入值x,样本的输出值y,神经网络的权重w，这个单层的神经网络可以表现为如下形式：
我们在神经网络中的每一个步骤都有一个权重w，那利用这组输出权重与我们的样本输出值会形成一个误差值
我们现在要做的是，根据这个误差来自动调整我们的权重，并且权重变化方向是收敛结果走的，这里我们用了梯度下降方法。
到此，以上就是小编对于神经网络架构的问题就介绍到这了，希望介绍关于神经网络架构的1点解答对大家有用。
