总访问量：
徐娟,July 3, 2022
神经网络是受生物处理信息结构的启发，通过模拟人类神经元的结构和工作原理，进行信息的并行处理和非线性转化。经过多年发展和完善，目前在声音、人脸、指纹和图像识别方面已有初步应用。尤其在引入“深度学习”这一概念后，在人工智能相关领域取得很多成果。
报告人首先简单总结了神经网络发展史，从二十世纪中期神经学家Warren和数学家Walter最先提出的Mccolloch-Pitts（MP）模型；到八十年代Geoffrey Hinton在原有前向神经网络加入了偏差，提出了通过链式求导法则进行反向传播的反向传播算法；再到最新的深度学习的开展。
其次以传统的三层神经网络模型为例，详细讲解了神经网络的工作原理：输入层、隐藏层和输出层之间是如何构建矩阵关系，如何采用反向误差传播法来计算误差的权重，在较多权重组合难以逐个进行测试时，应运而生的梯度下降法。
随后从神经网络模型的缺点出发，提出了相应的改进方法如改进激活函数，预先训练权重，提高泛化能力和自适应调整学习率。然后简单介绍了深度学习相关的三个算法：卷积神经网络(CNN)、长短期记忆网络(LSTM)和强化学习(RL)。
最后报告人就神经网络在拟合第一性原理的势能面上的应用，并以碳原子神经网络势的构建作为成功案例，提出这一理论模拟在高温高压科学研究方向的潜力。
你必须登录之后才可以参与讨论。