人工神经网络 (ANN) 是一种受生物神经元启发的计算模型，用于机器学习中，从数据中识别模式并做出决策。 它们由相互连接的节点（神经元）层组成，这些节点通过加权连接处理输入。 每个节点将其激活函数应用于其输入，并将结果传递到下一层。 例如，在图像识别中，人工神经网络可能会通过隐藏层处理像素值，以检测边缘、形状并最终检测对象。 这种分层结构允许人工神经网络学习分层表示，使其对于分类或回归等复杂任务有效。
训练人工神经网络涉及调整连接权重以最小化预测误差。 这是使用反向传播等算法完成的，该算法计算损失函数（例如，均方误差）相对于权重的梯度。 诸如随机梯度下降之类的优化方法使用训练数据迭代地更新权重。 例如，在训练网络来分类手写数字（MNIST 数据集）时，模型会调整其权重以减少多个 epoch 上的错误分类。 通常会添加诸如 dropout 或批量归一化之类的技术来防止过度拟合，确保模型能够很好地泛化到未见过的数据。 TensorFlow 或 PyTorch 等框架会自动执行这些步骤，让开发人员可以专注于架构设计。
人工神经网络应用于各个领域，通常针对特定的数据类型进行定制。 卷积神经网络 (CNN) 通过使用过滤器捕获空间层次结构，在计算机视觉方面表现出色，这在自动驾驶汽车中用于对象检测中可见。 循环神经网络 (RNN) 具有类似内存的结构，可以处理文本或时间序列等顺序数据，从而实现诸如语言翻译之类的任务。 转换器是一种较新的架构，它使用注意力机制进行上下文感知的处理，从而为 BERT 等 NLP 模型提供支持。 在强化学习中，人工神经网络充当策略或价值估计器，从而能够实现诸如游戏代理（例如，AlphaGo）之类的系统。 这些应用展示了如何调整人工神经网络架构以有效地利用特定领域的模式。