与其他机器学习算法一样:

• 神经网络可用于监督学习(分类、回归)和非监督学习(模式识别、聚类)
• 模型参数是通过对训练数据的“学习”来加权神经网络来设定的，通常是通过优化权重来最小化预测误差

神经网络的类型

第一个也是最简单的神经网络是感知器，由Frank Rosenblatt在1958年提出。它由单个神经元和一个具有s形激活函数的线性回归模型组成。从那时起，越来越复杂的神经网络被探索，导致了今天的深层网络，它可以包含数百层。

深度学习是指多层神经网络，而只有两到三层连接神经元的神经网络也被称为浅神经网络。深度学习之所以变得流行，是因为它消除了从图像中提取特征的需要，而这在以前对机器学习在图像和信号处理中的应用提出了挑战。然而，尽管在图像处理应用中可以忽略特征提取，但一些形式的特征提取仍然普遍应用于信号处理任务，以提高模型的精度。

工程应用中常用的神经网络类型包括:

• 前馈神经网络:由一个输入层、一个或几个隐藏层和一个输出层组成(典型的浅神经网络)
• 卷积神经网络(CNN):广泛应用于图像处理的深度神经网络架构，其特征是卷积层，通过共享权重的节点在输入端移动窗口，将(通常是图像)输入提取到特征映射
• 递归神经网络(RNN):具有反馈回路的神经网络结构，用于模拟输入中的顺序依赖关系，如时间序列、传感器和文本数据;最流行的RNN类型是长短期记忆网络(LSTM)

你可以在这里了解更多关于深度学习的信息:

MATLAB^®为机器学习，神经网络，深度学习，计算机视觉和自动驾驶应用提供专业工具箱。

只需几行代码，MATLAB就可以让您开发神经网络，而无需成为专家。快速入门，创建并可视化神经网络模型，将它们集成到现有的应用程序中，并将它们部署到服务器、企业系统、集群、云和嵌入式设备中。

典型的神经网络构建流程

开发人工智能应用，特别是神经网络，通常包括以下步骤:

1.数据准备

• 你获得了足够的标记训练数据，而训练深度神经网络则需要更多的数据;标签应用程序，如图像，视频和信号标签，可以加快这一过程
• 您可以使用模拟来生成训练数据，特别是如果从真实系统中收集数据是不切实际的(例如，故障条件)
• 您可以增强数据以表示训练数据中的更多可变性

2.人工智能建模

• 你可以在分类和回归学习中交互式地训练浅神经网络统计和机器学习工具箱™，或者可以使用命令行函数;如果你想比较浅神经网络与其他传统机器学习算法的性能，如决策树或支持向量机，或如果你只有有限的标记训练数据可用，这是推荐的
• 使用深层网络设计器或命令行函数交互式地指定和训练神经网络(浅或深)深度学习工具箱™，它特别适合于深度神经网络，或者如果您需要在定制网络架构和求解器方面有更多的灵活性

3.仿真和测试

• 你可以把神经网络整合进去金宝app^®模型作为块，可以促进与更大的系统集成、测试和部署到多种类型的硬件

4.部署

• 从统计学和机器学习工具箱中训练的浅神经网络生成简单的C/ c++代码，用于部署嵌入式硬件和高性能计算系统
• 从深度学习工具箱中训练的神经网络中生成优化的CUDA和简单的C/ c++代码，用于gpu和其他类型的工业硬件(ARM, FPGA)上的快速推理