神经网络

一句话总结： 神经网络是一种受人脑启发的模型。它通过多层互相连接的人工神经元，从数据中学习模式。

神经网络（NN）——也称人工神经网络——是一种用于机器学习的计算模型。它由相互连接的节点（人工神经元）组成，并按层组织：输入层、一个或多个隐藏层以及输出层。每条连接都带有权重。在训练过程中，权重会不断调整，直到网络能够做出准确预测。

神经网络如何工作

1. 输入：原始数据（图像、文本、数值）通过输入层进入。
2. 前向传播：每个神经元对输入应用激活函数，并将信号向前传递。
3. 损失计算：将网络输出与ground truth标签比较，差异即为损失（loss）。
4. 反向传播：误差梯度在网络中向后传播，更新权重以降低损失。
5. 迭代：步骤 1–4 在大量训练样本上重复，直到网络收敛。

神经网络的类型

1. 前馈神经网络（FNN）：最简单的类型，数据单向流动，从输入到输出。
2. 卷积神经网络（CNN）：专为图像数据设计，是大多数计算机视觉系统的核心。
3. 循环神经网络（RNN）：处理序列数据，用于语音、时间序列以及早期 NLP 任务。
4. Transformer：使用注意力机制建模长程依赖，是现代 LLM 的基础。
5. 生成对抗网络（GAN）：两张网络相互对抗——一个生成、一个判别——常用于图像合成。

应用

1. 计算机视觉：CNN 可进行目标检测、场景分割与图像分类。
2. 自然语言处理：Transformer 支持翻译、搜索与聊天机器人。
3. 机器人：网络从传感器数据中学习运动控制与导航。
4. 自动驾驶：神经网络融合LiDAR、摄像头与雷达输入以实现实时感知。
5. 医疗健康：模型在医学影像与基因组数据中检测疾病。

神经网络的训练数据

神经网络需要大规模、多样化且带标签的数据集。数据越多通常意味着更好的泛化能力。数据质量与数量同样重要：噪声或有偏的数据会降低性能。当带标注的真实数据稀缺时，合成数据可作为补充。Bright Data 的 数据集为 AI 与机器学习团队提供高质量的训练数据。