人工智能通识 课件 第四章 深度学习与神经网络

人工智能通识：新技术与创新实践主编：唐志航，罗雅博神经网络基本原理与结构PART01图像识别的发展与思考PART02目录CONTENTS神经网络基本原理与结构01神经网络基本原理与结构01一、从生物神经元到人工神经网络1.人工神经元模型2.激活函数的作用01神经网络基本原理与结构二、神经网络的层次结构

1.多层神经网络的结构与功能神经网络通常由多层神经元组成,形成层级结构。最简单的神经网络包含三种类型的层:输入层:负责接收原始数据,如图像的像素值、文本的单词、声音的波形等。这一层就像人类的感官,接收外界信息。隐藏层:位于输入层和输出层之间,负责提取和转换特征。隐藏层越多,网络越“深”,能够学习的特征也越复杂。这些层就像人类大脑中处理和理解信息的区域。01神经网络基本原理与结构输出层:产生最终的预测结果,如图像中的物体类别、文本的情感倾向、语音的文字转录等。这一层就像人类做出最终决策的过程。如图4-2所示使用简单的图示展示输入层、隐藏层和输出层。想一想拼图游戏:输入层接收拼图碎片,隐藏层尝试不同的组合方式,输出层呈现完整的拼图图像。神经网络也是逐层构建对数据的理解,从简单到复杂。01神经网络基本原理与结构

2.深度神经网络的特点深度神经网络包含多个隐藏层,能够学习更复杂的模式。为什么深度如此重要?想象学习画画的过程:初学者先学习基本线条和形状(浅层特征),然后学习如何组合这些元素形成物体轮廓(中层特征),最后掌握光影、纹理和整体构图(高层特征)。深度网络也是如此,通过多层次的学习,逐步掌握数据中的各级特征。比如在识别猫的图像时,浅层可能识别边缘和简单纹理,中间层识别眼睛、耳朵等部位,深层则综合判断“这是一只猫”。这种层次化的学习方式是深度学习强大的关键。01神经网络基本原理与结构图4-2多层神经网络结构01神经网络基本原理与结构三、神经网络的学习过程01神经网络如何“学习”02梯度下降:寻找最优解的旅程03训练中的常见挑战01神经网络基本原理与结构四、常见神经网络架构随着研究的深入,科学家们设计了多种专用的神经网络架构来解决特定类型的问题:卷积神经网络(CNN)适合处理图像数据,它模仿人类视觉系统的工作方式,通过滑动的“视野窗口”(卷积核)扫描图像,提取局部特征并逐步组合。CNN广泛应用于人脸识别、物体检测和医学图像分析等领域。循环神经网络(RNN)擅长处理序列数据,如文本、语音和时间序列。它具有“记忆”功能,能够记住之前的信息并影响后续判断,就像你阅读文章时会根据前文理解当前句子一样。RNN及其变体(如LSTM、GRU)广泛应用于语音识别、机器翻译和文本生成等任务。01神经网络基本原理与结构生成对抗网络(GAN)包含两个相互竞争的网络:生成器(尝试创造逼真的数据)和判别器(尝试区分真实数据和生成数据)。通过这种“对抗”过程,生成器能够创造出越来越逼真的内容,如人脸图像、艺术作品等。变换器(Transformer)是近年来自然语言处理的革命性架构,它通过“注意力机制”同时处理序列中的所有元素,克服了RNN的长序列处理困难。ChatGPT等大语言模型正是基于Transformer架构构建的。图像识别的发展与思考02图像识别的发展与思考02项目前景一、图像识别图像识别的基本原理01图像识别的发展历程0202二、日常生活中的图像识别应用图像识别的发展与思考1智能手机中的人脸识别2医学图像辅助诊断3自动驾驶的“眼睛”02三、未来发展与思考

1.图像生成与创意应用近年来,深度学习不仅能“看懂”图像,还能“创造”图像。基于扩散模型的文本到图像生成技术(如DALL-E、StableDiffusion)允许用户通过文字描述生成各种逼真的图像,从风景到人物,从写实到抽象,展现了惊人的创造力。这些技术正在改变设计、艺术创作和媒体制作的方式。设计师可以快速生成概念草图;电影制作人可以创建概念艺术和场景可视化;普通用户也能将自己的创意想法转化为视觉作品。图像识别的发展与思考02图像识别的发展与思考

2.媒体鉴别能力与信息素养随着AI生成内容越来越逼真,区分真实与人工生成的内容变得日益困难。这带来了新的挑战:如何防止虚假信息传播?如何保护知识产权?如何培养公众的媒体鉴别能力?作为数字时代的公民,我们需要培养批判性思维和媒体素养,学会辨别真实与虚构内容。同时,技术和政策层面也需要发展相应的工具和规范,如数字水印、内容验证和道德准则,确保AI技术的负责任发展和使用。深度学习与神经网络正在改变我们与视觉世界互动的方式。从智能手机里的照片分类到医生诊断辅助,从安防监控到自动驾驶,这些技术正在提升效率、扩展能力、创造新的可能性。然而,技术本身并非目的,而是服务人类的工具。最理想的未来不是