Artificial Neural Networks课堂小结
[2021-08-09 14:30 ]
今天的课程主要是关于机器人自主学习的一些方法，最流行的方法有两个：人工神经网络和遗传算法。这节课主要讲的是人工神经网络。首先课程通过分析人脑的学习、运算帮助我们更好的理解人工神经网络，它有如下特点：
• 人工神经网络由许多非常简单的处理器组成，也被称为神经元，它们类似于大脑中的生物神经元。
• 这些神经元通过加权连接从一个神经元到另一个神经元传递信号连接。
• 输出信号通过神经元的输出连接进行传输。传出的连接分成多个传输相同信号的分支。传出的分支终止于网络中其他神经元的传入连接。
上面这些都是我尽力能理解的，后面学习到的算法、函数有些听不懂，首先是因为英语基础不够好，其次这些新颖的东西我是第一次接触，吸收起来有些困难，但多多少少还是能理解老师讲的意思，只是停留在表面。
今天最大的收获是开阔了眼界，让我了解机器像人一样能够自主学习是有可能的，这让我感觉很有趣，今后的课程我也会抱着一颗好奇心去学习。——vito同学
今天讲的是关于生物学习和人工学习，人工神经网络(ANN)由许多非常简单的处理器组成，也被称为 神经元，它们类似于大脑中的生物神经元。这些神经元通过加权连接从一个神经元到另一个神经元传递信号连接。输出信号通过神经元的输出连接进行传输。传出的连接分成多个传输相同信号的分支。传出的分支终止于网络中其他神经元的传入连接。神经元计算输入信号的加权和，并将结果与阈值 q 进行比较如果净输入小于阈值，则神经元输出为-1。但如果净输入大于或等于阈值，则神经元将被激活，其输出达到一个值+1。
感知器是基于麦卡洛克和皮茨的神经元模型，该模型由一个线性组合器和一个硬限制器组成，麦卡洛克-皮茨神经元模型(MCP)与感知器之间的关键区别在于，MCP 作为输入 的一部分没有偏差（阈值）。多层感知器(MLP)是一个具有一个或多个隐藏层的前馈神经网络，该网络由一个源神经元的输入层、至少一层中间或隐藏层的计 算神经元和一个计算神经元的输出层组成。
人工神经网络是一种受人类大脑中发生的生物学习启发的人工学习，这个学习过程是基于调整来自每个输入的突触权重，它连接到一个神经元最基本的架构是感知器，由于感知器只能处理线性问题，因此引入了一种更复杂的架构，称为多层感知器(MLP)。——吴雨阳同学
今天的课程主要讲的是关于机器学习方面的，涉及深度学习神经网络这块较深，首先是系统介绍讲解了神经网络的构成，包括生物学习上的神经元，轴突，树突等从而演变到机器神经网络。关于机器训练，很重要的两个值就是w权值以及b偏移量，这里就是w一般也是在-0.5～0.5这个范围中。系统来说，输入层有四个部分，下面就是隐藏层，一层或者两层与具体实践的训练有关，最后是输出层，这里就像是生物细胞中的神经元，由此而得到的启发。
对于这堂课，其实我个人大部分都是听懂的，因为我这一年做的一个项目就是和深度学习神经网络这方面联系很深，不过我偏重的是CNN，但是ANN和CNN联系也很相近，理解起来难度也不是特别大，我觉得最难的是如何去实操训练这部分，就是写代码这部分，对我来说还是挺头疼的，不过我觉得这堂课还是有很多新的收获，巩固的同时也有不少新的感悟。——申珺妤同学
