神经网络又被称为人工神经网络，是一种机器学习算法，模仿人脑的神经网络传递信号的方式来识别数据中的潜在关系。神经网络包含相互连接的节点层。每个节点都是一个感知器，类似于多元线性回归。感知器将多元线性回归产生的信号馈送到非线性的激活函数中。
神经网络由大量相互连接的处理节点组成，节点可以学习并识别输入数据。神经网络中的每个节点都连接到其他几个节点，节点之间的连接可以加权。当向神经网络提供输入时，每个节点都会计算输入值的加权和并将该和传递给下一个节点。在学习过程中调整节点之间连接的权重，使神经网络的输出与期望输出紧密匹配。
神经网络有什么用？
神经网络非常擅长识别数据中的模式。它们可用于图像识别、模式识别和非线性数据建模。神经网络还非常擅长从示例中进行概括，即对数据进行分类和聚类，这使得神经网络可以用于识别手写字符或识别图片中的对象等任务。
神经网络的类型
前馈神经网络
前馈神经网络是较简单的神经网络类型之一。它通过输入节点单向传递信息；这个信息继续在这个单一的方向上被处理，直到它到达输出模式。前馈神经网络可能具有功能隐藏层，这种类型最常用于面部识别技术。
循环神经网络
这是一种更复杂的神经网络类型，循环神经网络获取处理节点的输出并将信息传输回网络。这导致理论上的学习和改进。每个节点都存储历史流程，这些历史流程在以后处理的时候会被复用。
这对于预测不正确的网络尤为重要；系统将尝试了解为什么会出现正确的结果并相应地进行调整。这种类型的神经网络通常用于文本到语音的应用程序。
卷积神经网络
卷积神经网络，也称为ConvNets或CNNs，有几个层，在这些层中数据被分类。这些网络有一个输入层、一个输出层和中间隐藏的大量卷积层。这些层创建特征图，记录图像的区域，这些区域被进一步分解，直到它们生成有价值的输出。这些层可以合并或完全连接，这些网络特别有利于图像识别应用程序。
反卷积神经网络
反卷积神经网络的工作原理与卷积神经网络相反。该网络的应用是检测在卷积神经网络下可能被认为重要的项目。这些项目很可能在卷积神经网络执行过程中被丢弃。这种类型的神经网络也广泛用于图像分析或处理。
模块化神经网络
模块化神经网络包含多个相互独立工作的网络。这些网络在分析过程中不会相互影响。相反，完成这些过程是为了更有效地完成复杂、精细的计算过程。与模块化房地产等其他模块化行业类似，网络独立性的目标是让每个模块负责整体大局的特定部分。
