正文

圖神經(jīng)網(wǎng)絡(luò)解決什么問題

發(fā)布時間：2023-04-17 20:31:48 稿源：創(chuàng)意嶺閱讀： 71

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于圖神經(jīng)網(wǎng)絡(luò)解決什么問題的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、神經(jīng)網(wǎng)絡(luò)到底能干什么？
2、圖神經(jīng)網(wǎng)絡(luò)讀博好嗎
3、人工神經(jīng)網(wǎng)絡(luò)可以解決哪些問題
4、一文看懂卷積神經(jīng)網(wǎng)絡(luò)-CNN（基本原理+獨特價值+實際應(yīng)用）

圖神經(jīng)網(wǎng)絡(luò)解決什么問題

一、神經(jīng)網(wǎng)絡(luò)到底能干什么？

神經(jīng)網(wǎng)絡(luò)利用現(xiàn)有的數(shù)據(jù)找出輸入與輸出之間得權(quán)值關(guān)系（近似），然后利用這樣的權(quán)值關(guān)系進行仿真，例如輸入一組數(shù)據(jù)仿真出輸出結(jié)果，當(dāng)然你的輸入要和訓(xùn)練時采用的數(shù)據(jù)集在一個范疇之內(nèi)。例如預(yù)報天氣：溫度濕度氣壓等作為輸入天氣情況作為輸出利用歷史得輸入輸出關(guān)系訓(xùn)練出神經(jīng)網(wǎng)絡(luò)，然后利用這樣的神經(jīng)網(wǎng)絡(luò)輸入今天的溫度濕度氣壓等得出即將得天氣情況當(dāng)然這樣的例子不夠精確，但是神經(jīng)網(wǎng)絡(luò)得典型應(yīng)用了。希望采納！

二、圖神經(jīng)網(wǎng)絡(luò)讀博好嗎

好。圖神經(jīng)網(wǎng)絡(luò)將深度學(xué)習(xí)的預(yù)測能力應(yīng)用于豐富的數(shù)據(jù)結(jié)構(gòu)中，這些數(shù)據(jù)結(jié)構(gòu)將物體及其對應(yīng)關(guān)系描述為圖中用線連成的點，圖神經(jīng)網(wǎng)絡(luò)讀博好。在圖神經(jīng)網(wǎng)絡(luò)中，被稱為“節(jié)點”的數(shù)據(jù)點通過被稱為“邊”的線連接，各種元素均以數(shù)學(xué)形式表達(dá)，這使機器學(xué)習(xí)算法可以在節(jié)點、邊或整個圖的層面做出有用的預(yù)測。

三、人工神經(jīng)網(wǎng)絡(luò)可以解決哪些問題

信息領(lǐng)域中的應(yīng)用：信息處理、模式識別、數(shù)據(jù)壓縮等。
自動化領(lǐng)域：系統(tǒng)辨識、神經(jīng)控制器、智能檢測等。
工程領(lǐng)域：汽車工程、軍事工程、化學(xué)工程、水利工程等。
在醫(yī)學(xué)中的應(yīng)用：生物信號的檢測與分析、生物活性研究、醫(yī)學(xué)專家系統(tǒng)等。
經(jīng)濟領(lǐng)域的應(yīng)用：市場價格預(yù)測、風(fēng)險評估等。

此外還有很多應(yīng)用，比如交通領(lǐng)域的應(yīng)用，心理學(xué)領(lǐng)域的應(yīng)用等等。神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域是非常廣的。

四、一文看懂卷積神經(jīng)網(wǎng)絡(luò)-CNN（基本原理+獨特價值+實際應(yīng)用）

在 CNN 出現(xiàn)之前，圖像對于人工智能來說是一個難題，有2個原因：

圖像需要處理的數(shù)據(jù)量太大，導(dǎo)致成本很高，效率很低

圖像在數(shù)字化的過程中很難保留原有的特征，導(dǎo)致圖像處理的準(zhǔn)確率不高

下面就詳細(xì)說明一下這2個問題：

圖像是由像素構(gòu)成的，每個像素又是由顏色構(gòu)成的。

現(xiàn)在隨隨便便一張圖片都是 1000×1000 像素以上的，每個像素都有RGB 3個參數(shù)來表示顏色信息。

假如我們處理一張 1000×1000 像素的圖片，我們就需要處理3百萬個參數(shù)！

1000×1000×3=3,000,000

這么大量的數(shù)據(jù)處理起來是非常消耗資源的，而且這只是一張不算太大的圖片！

卷積神經(jīng)網(wǎng)絡(luò) – CNN 解決的第一個問題就是「將復(fù)雜問題簡化」，把大量參數(shù)降維成少量參數(shù)，再做處理。

更重要的是：我們在大部分場景下，降維并不會影響結(jié)果。比如1000像素的圖片縮小成200像素，并不影響肉眼認(rèn)出來圖片中是一只貓還是一只狗，機器也是如此。

圖片數(shù)字化的傳統(tǒng)方式我們簡化一下，就類似下圖的過程：

假如有圓形是1，沒有圓形是0，那么圓形的位置不同就會產(chǎn)生完全不同的數(shù)據(jù)表達(dá)。但是從視覺的角度來看，圖像的內(nèi)容（本質(zhì)）并沒有發(fā)生變化，只是位置發(fā)生了變化。

所以當(dāng)我們移動圖像中的物體，用傳統(tǒng)的方式的得出來的參數(shù)會差異很大！這是不符合圖像處理的要求的。

而 CNN 解決了這個問題，他用類似視覺的方式保留了圖像的特征，當(dāng)圖像做翻轉(zhuǎn)，旋轉(zhuǎn)或者變換位置時，它也能有效的識別出來是類似的圖像。

那么卷積神經(jīng)網(wǎng)絡(luò)是如何實現(xiàn)的呢？在我們了解 CNN 原理之前，先來看看人類的視覺原理是什么？

深度學(xué)習(xí)的許多研究成果，離不開對大腦認(rèn)知原理的研究，尤其是視覺原理的研究。

1981 年的諾貝爾醫(yī)學(xué)獎，頒發(fā)給了 David Hubel（出生于加拿大的美國神經(jīng)生物學(xué)家）和TorstenWiesel，以及 Roger Sperry。前兩位的主要貢獻，是“ 發(fā)現(xiàn)了視覺系統(tǒng)的信息處理 ”，可視皮層是分級的。

人類的視覺原理如下：從原始信號攝入開始（瞳孔攝入像素 Pixels），接著做初步處理（大腦皮層某些細(xì)胞發(fā)現(xiàn)邊緣和方向），然后抽象（大腦判定，眼前的物體的形狀，是圓形的），然后進一步抽象（大腦進一步判定該物體是只氣球）。下面是人腦進行人臉識別的一個示例：

對于不同的物體，人類視覺也是通過這樣逐層分級，來進行認(rèn)知的：

我們可以看到，在最底層特征基本上是類似的，就是各種邊緣，越往上，越能提取出此類物體的一些特征（輪子、眼睛、軀干等），到最上層，不同的高級特征最終組合成相應(yīng)的圖像，從而能夠讓人類準(zhǔn)確的區(qū)分不同的物體。

那么我們可以很自然的想到：可以不可以模仿人類大腦的這個特點，構(gòu)造多層的神經(jīng)網(wǎng)絡(luò)，較低層的識別初級的圖像特征，若干底層特征組成更上一層特征，最終通過多個層級的組合，最終在頂層做出分類呢？

答案是肯定的，這也是許多深度學(xué)習(xí)算法（包括CNN）的靈感來源。

典型的 CNN 由3個部分構(gòu)成：

卷積層

池化層

全連接層

如果簡單來描述的話：

卷積層負(fù)責(zé)提取圖像中的局部特征；池化層用來大幅降低參數(shù)量級(降維)；全連接層類似傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的部分，用來輸出想要的結(jié)果。

下面的原理解釋為了通俗易懂，忽略了很多技術(shù)細(xì)節(jié)，如果大家對詳細(xì)的原理感興趣，可以看這個視頻《卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 》。

卷積層的運算過程如下圖，用一個卷積核掃完整張圖片：

這個過程我們可以理解為我們使用一個過濾器（卷積核）來過濾圖像的各個小區(qū)域，從而得到這些小區(qū)域的特征值。

在具體應(yīng)用中，往往有多個卷積核，可以認(rèn)為，每個卷積核代表了一種圖像模式，如果某個圖像塊與此卷積核卷積出的值大，則認(rèn)為此圖像塊十分接近于此卷積核。如果我們設(shè)計了6個卷積核，可以理解：我們認(rèn)為這個圖像上有6種底層紋理模式，也就是我們用6中基礎(chǔ)模式就能描繪出一副圖像。以下就是25種不同的卷積核的示例：

總結(jié)：卷積層的通過卷積核的過濾提取出圖片中局部的特征，跟上面提到的人類視覺的特征提取類似。

池化層簡單說就是下采樣，他可以大大降低數(shù)據(jù)的維度。其過程如下：

上圖中，我們可以看到，原始圖片是20×20的，我們對其進行下采樣，采樣窗口為10×10，最終將其下采樣成為一個2×2大小的特征圖。

之所以這么做的原因，是因為即使做完了卷積，圖像仍然很大（因為卷積核比較?。?，所以為了降低數(shù)據(jù)維度，就進行下采樣。

總結(jié)：池化層相比卷積層可以更有效的降低數(shù)據(jù)維度，這么做不但可以大大減少運算量，還可以有效的避免過擬合。

這個部分就是最后一步了，經(jīng)過卷積層和池化層處理過的數(shù)據(jù)輸入到全連接層，得到最終想要的結(jié)果。

經(jīng)過卷積層和池化層降維過的數(shù)據(jù)，全連接層才能”跑得動”，不然數(shù)據(jù)量太大，計算成本高，效率低下。

典型的 CNN 并非只是上面提到的3層結(jié)構(gòu)，而是多層結(jié)構(gòu)，例如 LeNet-5 的結(jié)構(gòu)就如下圖所示：

卷積層 – 池化層- 卷積層 – 池化層 – 卷積層 – 全連接層

在了解了 CNN 的基本原理后，我們重點說一下 CNN 的實際應(yīng)用有哪些。

卷積神經(jīng)網(wǎng)絡(luò) – CNN 很擅長處理圖像。而視頻是圖像的疊加，所以同樣擅長處理視頻內(nèi)容。下面給大家列一些比較成熟的應(yīng)用�：

圖像分類、檢索