神经网络：是深度学习的核心技术。模仿生物神经元工作方式的计算模型，由大量互相连接是神经元组成，通过数据学习复杂的模式和关系。
1、神经网络基本组成：神经元、层、连接
- 神经元
神经网络的最小单元。
每个神经元接受输入，输入加权求和，经过激活函数输出结果。
加权求和：输入*权重+偏置；权重决定输入的重要性，偏置调整神经元的激活阈值。
激活函数：非线性变换，使网络能拟合复杂函数。
2.层
神经网络分为三层，神经元根据所在层来进行分工。
输入层：接受原始数据。
隐藏层：复杂特征提取和变换，可以有多层。
输出层：生成最终结果。（如分类概率值、回归值、翻译结果）
3.连接
权重：连接两个神经元的强度，决定输入的重要性。
偏置：调整神经元的激活阈值。
损失函数：衡量预测值和真实值之间的差异。
前向传播：数据从输入层传递到输出层，计算预测值。
反向传播：根据损失函数计算得到的损失值，通过梯度下降，反向调整权重和偏置，减少误差。
优化器：Optimizer，梯度下降增强版。更新权重和偏置，减少误差。
基于梯度下降，引入额外的机制解决原始梯度下降的缺陷。
神经网络 = 神经元 + 层 + 连接（权重、偏置） + 激活函数 + 损失函数 + 优化器
2、常见的神经网络类型：FNN、CNN、RNN、Transformer
- 前馈神经网络（FNN）：
最基础、简单的神经网络，数据流向是单向传递（输入层--隐藏层--输出层）。是深度学习的基础，也是其他复杂神经网络（CNN、RNN）的构建模块。
2.卷积神经网络（CNN）：
专门用于处理网格结构数据（如图像、视频）的深度学习模型。主要用于计算机视觉领域（图像分类、目标检测等）。
通过局部连接、权重共享、层次化特征提取，捕捉数据中的空间和或时序模式。
局部连接：每个神经元仅连接输入数据的局部区域，大幅减少参数量。
权重共享：使用卷积核在输入数据上滑动，同一核的参数在不同位置共享。
层次化特征提取：低层提取边缘、纹理等基础特征，高层组合成复杂特征。
-
核心组件：
-
卷积层：通过卷积核提取局部特征。
-
池化层：降维、平移不变性。
-
全连接层：在网络末端，将提取的特征映射到最终输出。
卷积核、卷积层、特征图、池化层的定义与联系：
卷积核：特征提取，一个小矩阵，用于提取局部特征（如边缘、纹理）。
卷积层：生成特征图，由多个卷积核组成，对输入数据进行卷积运算，生成特征图。
特征图：卷积层的输出，每个通道对应一个卷积核的运算结果。
池化层：压缩特征图，对特征图下采样（如取最大值或平均值），减少计算量并增强平移不变性。
-
整体流程：
-
输入一张图像，每个卷积核在图像上滑动，计算点积生成一个单通道特征图。
-
对特征图的每个通道独立进行池化（下采样，不改变通道数）。
-
堆叠卷积层和池化层。
卷积特征提取（看到更多细节）----池化压缩特征（冗余信息）----传递下一层，重复直至高层特征生成。 -
CNN的应用：
- 图像分类（如ResNet、EfficientNet）
- 目标检测（如YOLO、Faster R-CNN）
- 语义分割（如U-Net）
- 视频分析（3D CNN）
- 医学影像（CT、MRI识别）
3. Transformer：
基于自注意力机制的深度学习模型。
优势：
并行计算：自注意力机制允许同时处理所有位置的信息，计算效率高。
长距离依赖：直接建模任意距离的词关系，避免梯度消失的问题。
可扩展性：通过堆叠更多层和头，扩展模型能力。
缺点：
计算复杂程度高、内存消耗大、数据需求大。
应用：自然语言处理（NLP）、计算机视觉（CV）---VIT 图像分块后输入Transformer、多模态任务 CLIP。
具体介绍可参考：Transformer
3、训练神经网络
训练神经网络的过程其实是确定线性公式y=ax+b中参数a，b的值一个过程。
a=权重；b=偏置；
比如训练一个识别图片中数字的神经网络：
- 选择一个线性公式，随机初始化一组参数a，b；
- 在训练数据集中，利用线性公式来进行分类；
- 计算分类结果的误差；（利用损失函数进行计算）
- 调整参数a，b，使分类结果的误差可以减少；（梯度下降）
- 回到步骤2；
- 重复2-5步骤，直至模型收敛；
模型收敛：误差减少的趋势渐缓，参数无论怎么变化误差都变化不大。
全连接层：神经网络最基础层之一，负责将前一层的所有神经元与当前层的所有神经元进行完全连接，实现特征的整合和分类。