学AI你必须懂这些关键术语

一. 神经网络

神经网络，本质上是模仿生物神经网络（比如人类大脑的神经元系统）而设计的一种计算模型。它由大量的人工神经元相互连接构成。

网络结构

神经网络由输入层、隐藏层和输出层组成。各层之间采用全连接方式——也就是说，前一层的每一个神经元，都会和后一层的每一个神经元建立连接。信息在神经元之间借助权重和偏置完成传递和计算。

特征提取方式

特征提取主要依赖人工设计的特征工程。简单说，就是先把原始数据转换成适合模型输入的向量，再交给模型处理。隐藏层通过线性和非线性变换来组合、抽象这些特征，但对原始数据的直接特征提取能力相对较弱。因此，它适合处理简单的结构化数据，比如传统的分类和回归问题——输入通常是被固定长度的向量，例如信用风险评估、股票价格预测。

数据处理能力

主要适用于结构化数据。对于具有空间或时间结构的复杂数据（如图像、音频），则需要先通过复杂的特征工程将其转换为向量形式，才能输入模型。这种处理方式有时会限制最终的效果。

训练难度和参数数量

由于全连接结构的存在，参数数量非常庞大，很容易导致过拟合。训练过程中需要较大的计算资源，训练时间也比较长，对数据增强、正则化等技术的依赖相当大，才有可能防止过拟合。

应用场景

在简单的分类、回归任务以及传统的数据挖掘领域有广泛应用，比如信用风险评估、股票价格预测等。这些场景的数据结构相对简单，不需要处理复杂的空间或时间特征。

应用案例

• 工业控制领域
  ：如化工生产中的过程控制。神经网络通过学习大量生产数据，能精准控制温度、压力、流量等参数，提高生产效率和产品质量；在机械设备控制中，也可用于预测设备故障，帮助提前维护。

• 金融领域
  ：股票市场预测、风险管理中的投资组合风险评估、信贷评估——根据客户收入、信用记录等判断违约风险。

• 交通运输领域
  ：根据实时交通数据预测流量变化，优化信号灯时长、缓解拥堵，或为出行规划提供参考。

• 航空航天领域
  ：帮助飞行器实现精准的姿态控制和飞行路径规划，提高安全性和效率。

• 医疗健康领域
  ：医疗影像识别系统辅助诊断疾病；药物研发中预测药物活性、毒性。

二. 卷积神经网络

卷积神经网络（CNN）是专门为处理具有网格结构的数据（如图像、音频）而设计的深度学习模型。

网络结构

在神经网络的基础上，引入了卷积层、池化层等特殊结构。卷积层通过卷积核在输入数据上滑动完成卷积操作，提取局部特征，显著减少了模型参数数量，降低计算量和过拟合风险。池化层则对卷积层的输出进行下采样，压缩数据规模，同时保留主要特征。

特征提取方式

CNN能够自动从原始数据中提取特征。卷积核在滑动过程中会自动学习到不同的局部特征模式。随着网络层数加深，它能提取到从低级到高级的复杂特征——在图像识别中，边缘、纹理、形状等特征都是自动完成的，不需要人工手动设计。

数据处理能力

尤其擅长处理图像、视频、音频这类具有空间或时间结构的数据。卷积和池化操作能够有效利用数据的局部相关性和空间结构信息，因此在图像识别、目标检测等任务中表现非常出色。

训练难度和参数数量

由于卷积和池化操作减少了参数数量、降低了模型复杂度，训练难度相对较小，不容易过拟合。另外，其结构特性更适合利用GPU等并行计算设备加速训练，能在较短时间内达到比较好的效果。

应用场景

主要集中于计算机视觉领域，如图像分类、目标检测、图像分割等，也在自然语言处理、语音识别等领域有成功应用，例如文本分类、语音情感识别。

应用案例

• 图像识别与分类
  ：ImageNet图像分类挑战中，AlexNet、VGGNet、ResNet等基于CNN的模型取得优异成绩；目标检测方面，R-CNN、Fast R-CNN、Faster R-CNN、YOLO等框架广泛应用于自动驾驶中的道路标识、车辆、行人识别；图像分割方面，U-Net可对医学图像中的器官进行精细分割。

• 人脸识别
  ：通过CNN模型学习人脸特征表示，实现识别、验证和检测，广泛应用在安防监控、智能手机解锁等领域。

• 计算机视觉
  ：姿态估计（学习人体关键点）、图像生成（通过生成对抗网络制造逼真图像）、风格迁移（将照片转为艺术作品风格）。

• 自然语言处理
  ：将文本表示为二维矩阵，用CNN进行特征提取和分类，用于文本分类、情感分析。

• 语音识别
  ：学习语音特征，对语音信号进行分类和识别。

• 其他领域
  ：推荐系统中学习用户行为和偏好；游戏领域的自动玩法、内容生成；机器人视觉中的导航和避障；医学影像分析中的疾病诊断、器官分割和三维重建。

小知识：卷积和池化

卷积和池化是卷积神经网络的两个核心操作，下面简单展开说说。

卷积

卷积本质上是一种数学运算。在卷积神经网络中，通过卷积核在输入数据上滑动，在每个位置进行特定计算，从而自动提取局部特征。不同的卷积核能学到不同类型的特征，比如边缘、纹理。多个卷积层堆叠起来，就能提取从低级到高级的复杂特征。而卷积核的权重共享机制，让模型参数大大减少，计算量和过拟合风险也随之降低。

池化

池化也叫下采样。它是对卷积层输出的特征图进行压缩，通过聚合相邻区域的特征，减少数据量同时保留主要特征。池化降低了特征图的分辨率，从而降低模型的计算复杂度，也能在一定程度上防止过拟合——因为它去掉了细节，突出了主要特征。此外，池化还具有平移不变性，对输入数据的微小平移不敏感，这有助于提高模型的鲁棒性。