AI翻转课堂教案-第4章 人工神经网络与深度学习教案

第四章人工神经网络与深度学习课题名称：人工神经网络与深度学习

学习过程：

络曾历经质疑、批判与冷落，同时也几度繁荣并取得了许多瞩目的成就。从20世纪40年代的M-P神经元和Hebb学习规则，到50年代的Hodykin-Huxley方程感知器模型与自适应滤波器，再到60年代的自组织映射网络、神经认知机、自适应共振网络，许多神经计算模型都发展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法，为该领域带来了里程碑式的影响。目前模拟人脑复杂的层次化认知特点的深度学习已经成为类脑智能中的一个重要研究方向。通过增加网络层数所构造的“深层神经网络”使机器能够获得“抽象概念”能力，在诸多领域都取得了巨大的成功，又掀起了神经网络研究和应用的一个新高潮。

(三)神经元

人脑中的信息处理单元是神经细胞，而人工神经网络的计算单元就是人工神经元,，一个人工神经元的结构如图所示。

（1）来自其他神经元的输入信号为（x1, x2, ..., xn）。

（2）每一个输入信号都有一个与之对应的突触权重（w1, w2, ..., wn），权重（weight）的高低反映了输入信号对神经元的重要性。

（3）线性聚合器（∑）将经过加权的输入信号相加，生成一个“激活电压”（activation voltage）。

（4）激活阈值（activation threshold）或bias（θ）给神经元的输出设置一个阈值。

（5）激活电位（activation potential）u是线性聚合器和激活阈值之差，如果u≥0，神经元产生的就是兴奋信号，如果u<0，神经元产生的是抑制信号。

（6）激活函数（activation function）g将神经元的输出限制在一个合理的范围内。

（7）神经元产生的输出信号（y），可以传递给与之相连的其他神经元。

将上述信息用公式可表示为：

（四）归纳总结

整体了解人工神经网络的发展概况以及神经元的相关工作原理，同时通过案例导读了解人工神经网络的当前应用情况。

(一)引入

如果一个神经元是一个函数，那么神经网络就是一个函数网络！这意味着一个神经网络有许多这样的函数和这样的学习单元，它们的所有输入和输出是相互交织的，互为输入输出。最近十多年来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。

(二)知识归纳

1、人工神经网络结构及工作原理

在人工神经网络中，所有节点都是分层的，每一层节点可以通过有向弧指向下一层节点，但是同一层节点之间没有弧互相连接，而且每一个节点不能越过一层连接到下下层的节点上。每一条弧上有一个值，称之为权重或者权值，根据这些值，可以用一个非常简单的公式算出它们所指节点的值，比如节点Y1的值取决于X1和X2的值，以及相应有向弧上的权值

W11和W21。虽然这里只画了三层节点，但是在理论上，人工神经网络的层数可以是任意的。

人工神经网络是一个分层的有向图，第一层输入节点X1，X2，…，Xn接受输入的信息，也称为输入层。来自这些点的数值（x1,x2,…,xn）按照它们输出的弧的权重

（w0,w1,w2,…,wn）根据下面公式进行线性加权得到G，然后再做一次函数变换f(G)，赋给第二层节点Y。

G=w0+x1∙w1+x2∙w2+⋯+x n∙w n (4-2)

第二层的节点照此将数值向后传递，直到第三层节点，如此一层层传递，直到最后一层，最后一层又被称为输出层。在模式分类时，一个模式（图像、语音、文字等）的特征值（比如坐标），从输入层开始，按照上面的规则和公式一层层向后传递。最后在输出层，哪个节点的数值最大，输入的模式就被分在了哪一类。这就是人工神经网络的工作原理。

2、BP神经网络

设BP神经网络具有m层。第一层称为输入层，最后一层称为输出层，中间各层称为隐藏层。输入层起缓冲存储器的作用，把数据源加到网络上，因此输入层的神经元的输入输出关系一般是线性函数。隐藏层中各个神经元的输入输出关系一般为非线性函数。

(三)任务实施

根据自己的理解试着说明神经网络的学习过程。

（四）归纳总结

通过本节课的学习，了解人工神经网络的相关知识以及具体应用。

(二)知识归纳

1、深层神经网络

随着人工神经网络研究和应用的深入，网络的层数也在不断地增多，从而形成有多个隐层的深度神经网络,依赖深度神经网络的机器学习被称为深度学习。

2、CNN

卷积神经网络(Convolutional Neural Networks, CNN)在图像处理方面表现