当前位置：首页 > news >正文

【人工智能99问】神经网络的工作原理是什么？(4/99)

news 2025/7/16 6:05:16

文章目录

神经网络的工作原理
- 一、神经网络的工作原理
- - （一）神经元模型
  - （二）网络结构
  - （三）前向传播
  - （四）损失函数
  - （五）反向传播
  - （六）权重更新
- 二、神经网络的工作步骤
- - （一）数据准备
  - （二）网络构建
  - （三）前向传播
  - （四）损失计算
  - （五）反向传播
  - （六）迭代训练
  - （七）模型评估
- 三、举例说明
- - （一）数据准备
  - （二）网络构建
  - （三）前向传播
  - - 1. 隐藏层计算：
    - 2. 输出层计算：
  - （四）损失计算
  - （五）反向传播
  - - 1. 计算输出层梯度：
    - 2. 计算隐藏层梯度：
    - 3. 更新权重和偏置：
  - （六）迭代训练
  - （七）模型评估

神经网络的工作原理

神经网络是一种模仿生物神经网络的结构和功能的人工智能模型，广泛应用于图像识别、语音识别、自然语言处理等领域。以下是对神经网络的工作原理、工作步骤的详细介绍，并通过一个简单的例子来说明。

一、神经网络的工作原理

（一）神经元模型

神经网络的基本单元是神经元，也称为节点。每个神经元接收多个输入信号，对这些信号进行加权求和，然后通过一个非线性激活函数（如 Sigmoid、ReLU 等）进行处理，输出一个信号。神经元的数学模型可以表示为：

$f\left(\sum_{i=1}^{n} w_i x_i + b\right)$

$x_i$ 是输入信号；
$w_i$ 是输入信号的权重，表示输入信号的重要性；
$b$ 是偏置项，用于调整神经元的激活阈值；
$f$ 是激活函数，用于引入非线性特性。

（二）网络结构

神经网络通常由输入层、隐藏层和输出层组成。输入层接收外部数据，隐藏层对数据进行特征提取和转换，输出层输出最终结果。隐藏层的数量和每层的神经元数量可以根据具体问题进行调整。

（三）前向传播

在神经网络中，数据从输入层经过隐藏层逐层传递到输出层的过程称为前向传播。每一层的神经元都会对前一层的输出进行加权求和和激活处理，最终得到输出层的结果。

（四）损失函数

损失函数用于衡量神经网络的预测值与真实值之间的差异。常见的损失函数有均方误差（MSE）、交叉熵损失等。损失函数的值越小，表示神经网络的预测越准确。

（五）反向传播

反向传播是神经网络训练的核心算法。通过计算损失函数对每个权重的梯度，利用梯度下降法更新权重，从而最小化损失函数。反向传播的过程是从输出层开始，逐层向前计算梯度，并更新权重。

（六）权重更新

权重更新是根据梯度下降法进行的。具体公式为：

$wnew=wold−η⋅∂L∂ww{\text{new}} = w{\text{old}} - \eta \cdot \frac{\partial L}{\partial w}$

$woldw{\text{old}}$ 是旧权重；
$wneww{\text{new}}$ 是新权重；
$η\eta$ 是学习率，控制权重更新的步长；
$∂L∂w\frac{\partial L}{\partial w}$ 是损失函数对权重的梯度。

二、神经网络的工作步骤

（一）数据准备

收集数据：根据问题需求，收集相关的数据集。
数据预处理：包括数据清洗、归一化、标准化等操作，使数据适合神经网络的输入。

（二）网络构建

确定网络结构：选择输入层、隐藏层和输出层的神经元数量，以及隐藏层的数量。
初始化权重和偏置：通常使用随机初始化的方法，为权重和偏置赋予初始值。

（三）前向传播

输入数据：将预处理后的数据输入到神经网络的输入层。
计算每一层的输出：逐层计算每一层的输出，直到得到输出层的结果。

（四）损失计算

计算损失函数的值：根据预测值和真实值，计算损失函数的值，评估神经网络的性能。

（五）反向传播

计算梯度：从输出层开始，逐层向前计算损失函数对每个权重的梯度。
更新权重：根据梯度下降法，更新每个权重的值。

（六）迭代训练

重复前向传播、损失计算和反向传播的过程，直到损失函数的值收敛到一个较小的值，或者达到预设的训练轮数。

（七）模型评估

使用测试集评估模型的性能，计算准确率、召回率等指标，判断模型是否满足要求。

三、举例说明

假设我们有一个简单的二分类问题，目标是根据输入的两个特征 $x_1$ 和 $x_2$ 判断样本属于类别 0 还是类别 1。我们将使用一个简单的神经网络来解决这个问题。

（一）数据准备

假设我们有以下数据集：

$x_1$	$x_2$	标签
0.1	0.2	0
0.3	0.4	0
0.5	0.6	1
0.7	0.8	1

（二）网络构建

我们构建一个简单的神经网络，包含一个输入层、一个隐藏层和一个输出层。输入层有 2 个神经元（对应 $x_1$ 和 $x_2$ ），隐藏层有 2 个神经元，输出层有 1 个神经元（用于输出类别概率）。

（三）前向传播

假设输入样本为 $(0.1, 0.2)$ ，权重和偏置的初始值如下：

输入层到隐藏层的权重： $W1=[0.50.60.70.8]\mathbf{W_1} = \begin{bmatrix} 0.5 & 0.6 \\ 0.7 & 0.8 \end{bmatrix}$ ，偏置： $b1=[0.10.2]\mathbf{b_1} = \begin{bmatrix} 0.1 \\ 0.2 \end{bmatrix}$
隐藏层到输出层的权重： $W2=[0.30.4]\mathbf{W_2} = \begin{bmatrix} 0.3 & 0.4 \end{bmatrix}$ ，偏置： $b2=0.5\mathbf{b_2} = 0.5$

1. 隐藏层计算：

$z1=W1⋅[0.10.2]+b1=[0.5×0.1+0.6×0.2+0.10.7×0.1+0.8×0.2+0.2]=[0.270.33]\mathbf{z_1} = \mathbf{W_1} \cdot \begin{bmatrix} 0.1 \\ 0.2 \end{bmatrix} + \mathbf{b_1} = \begin{bmatrix} 0.5 \times 0.1 + 0.6 \times 0.2 + 0.1 \\ 0.7 \times 0.1 + 0.8 \times 0.2 + 0.2 \end{bmatrix} = \begin{bmatrix} 0.27 \\ 0.33 \end{bmatrix}$
使用 ReLU 激活函数：
$a1=ReLU(z1)=[0.270.33]\mathbf{a_1} = \text{ReLU}(\mathbf{z_1}) = \begin{bmatrix} 0.27 \\ 0.33 \end{bmatrix}$

2. 输出层计算：

$z2=W2⋅a1+b2=0.3×0.27+0.4×0.33+0.5=0.689z_2 = \mathbf{W_2} \cdot \mathbf{a_1} + b_2 = 0.3 \times 0.27 + 0.4 \times 0.33 + 0.5 = 0.689$
使用 Sigmoid 激活函数：
$a2=Sigmoid(z2)=11+e−0.689≈0.666a_2 = \text{Sigmoid}(z_2) = \frac{1}{1 + e^{-0.689}} \approx 0.666$

（四）损失计算

假设真实标签为 0，使用二元交叉熵损失函数：
$\cdot \log(a_2) + (1 - y) \cdot \log(1 - a_2)] = -[0 \cdot \log(0.666) + 1 \cdot \log(0.334)] \approx 1.098$

（五）反向传播

1. 计算输出层梯度：

$∂L∂a2=−ya2+1−y1−a2=−00.666+10.334≈3.0\frac{\partial L}{\partial a_2} = -\frac{y}{a_2} + \frac{1 - y}{1 - a_2} = -\frac{0}{0.666} + \frac{1}{0.334} \approx 3.0$
$∂a2∂z2=a2(1−a2)=0.666×0.334≈0.222\frac{\partial a_2}{\partial z_2} = a_2 (1 - a_2) = 0.666 \times 0.334 \approx 0.222$
$∂L∂z2=∂L∂a2⋅∂a2∂z2=3.0×0.222≈0.666\frac{\partial L}{\partial z_2} = \frac{\partial L}{\partial a_2} \cdot \frac{\partial a_2}{\partial z_2} = 3.0 \times 0.222 \approx 0.666$

2. 计算隐藏层梯度：

$∂L∂a1=W2T⋅∂L∂z2=[0.30.4]×0.666=[0.20.266]\frac{\partial L}{\partial \mathbf{a_1}} = \mathbf{W_2}^T \cdot \frac{\partial L}{\partial z_2} = \begin{bmatrix} 0.3 \\ 0.4 \end{bmatrix} \times 0.666 = \begin{bmatrix} 0.2 \\ 0.266 \end{bmatrix}$
$的导数)\frac{\partial \mathbf{a_1}}{\partial \mathbf{z_1}} = \begin{bmatrix} 1 \\ 1 \end{bmatrix} \quad (\text{ReLU 的导数})$
$∂L∂z1=∂L∂a1⊙∂a1∂z1=[0.20.266]\frac{\partial L}{\partial \mathbf{z_1}} = \frac{\partial L}{\partial \mathbf{a_1}} \odot \frac{\partial \mathbf{a_1}}{\partial \mathbf{z_1}} = \begin{bmatrix} 0.2 \\ 0.266 \end{bmatrix}$

3. 更新权重和偏置：

假设学习率 $η=0.1\eta = 0.1$ ：
$W2=W2−η⋅∂L∂W2=[0.30.4]−0.1×0.666×[0.270.33]=[0.2870.377]\mathbf{W_2} = \mathbf{W_2} - \eta \cdot \frac{\partial L}{\partial \mathbf{W_2}} = \begin{bmatrix} 0.3 \\ 0.4 \end{bmatrix} - 0.1 \times 0.666 \times \begin{bmatrix} 0.27 \\ 0.33 \end{bmatrix} = \begin{bmatrix} 0.287 \\ 0.377 \end{bmatrix}$
$b2=b2−η⋅∂L∂b2=0.5−0.1×0.666=0.433b_2 = b_2 - \eta \cdot \frac{\partial L}{\partial b_2} = 0.5 - 0.1 \times 0.666 = 0.433$
$W1=W1−η⋅∂L∂W1=[0.50.60.70.8]−0.1×[0.2×0.10.266×0.1]=[0.4980.5980.6970.797]\mathbf{W_1} = \mathbf{W_1} - \eta \cdot \frac{\partial L}{\partial \mathbf{W_1}} = \begin{bmatrix} 0.5 & 0.6 \\ 0.7 & 0.8 \end{bmatrix} - 0.1 \times \begin{bmatrix} 0.2 \times 0.1 \\ 0.266 \times 0.1 \end{bmatrix} = \begin{bmatrix} 0.498 & 0.598 \\ 0.697 & 0.797 \end{bmatrix}$
$b1=b1−η⋅∂L∂b1=[0.10.2]−0.1×[0.20.266]=[0.080.173]\mathbf{b_1} = \mathbf{b_1} - \eta \cdot \frac{\partial L}{\partial \mathbf{b_1}} = \begin{bmatrix} 0.1 \\ 0.2 \end{bmatrix} - 0.1 \times \begin{bmatrix} 0.2 \\ 0.266 \end{bmatrix} = \begin{bmatrix} 0.08 \\ 0.173 \end{bmatrix}$