基于前馈神经网络的预测分类器
2021-10-15黄丽婷
数字通信世界 2021年9期
黄丽婷
(泉州信息工程学院软件学院,福建 泉州 326000)
0 引言
深度学习经历长时间的发展而孕育出各种各样的人工神经网络技术[1]。就像人类要想成为一个好的决策者可以通过经验进行学习,人工神经网络也可以通过对数据的学习而成为一个好的分类器。
在深度学习中,虽然人工神经网络看起来很复杂,其节点、层数和参数的数量繁多,但神经网络的核心组件只有层、模型、损失函数和优化器这四个部分。此外,在深度学习实际项目中,为了让人工神经网络模拟人类的学习行为,需要提供大量数据样本。在此之前,还需要对数据样本进行预处理工作,这一系列的前置工作必不可缺[2]。
深度学习领域的技术框架主要为Keras和PyTorch,其中Keras是Python中的高级深度神经网络API,它基于Tensorflow、CNTK或Theano框架运行[3]。而另一种主流的深度学习框架Pytorch虽然晚于Keras出现,但其发展十分迅速。PyTorch 1.0版本不但优化了原有内容,并且整合了Caffe2而成为十分热门的深度学习框架[4]。
近年来,深度学习中的各类人工神经网络模型已被大规模应用于人脸检测、物体检测、语音识别、机器翻译、自动驾驶等各种各样复杂的任务[1],而深度学习在医疗领域的应用也是日新月异。随着可用于机器学习的医疗领域数据(如WHO全球卫生观察站数据)被大量公开于网络,大量医疗数据都可以通过网络下载而获取,这为医疗领域的深度学习模型研究开发提供了必要的大数据基础。
在对医学数据分析和疾病的识别与预测上,深度学习的计算模型也具有十分重要的应用意义,例如:对于骨质增生、椎间盘突出、脊椎滑脱等具有大量患者的骨科疾病,深度学习的计算模型可以为这些疾病的分类、识别和预测提供高效的参考信息。……
登录APP查看全文
