Sieć neuronowa odnosi się do modelu obliczeniowego inspirowanego strukturą i funkcjonowaniem biologicznych sieci neuronowych występujących w ludzkim mózgu. Składa się z połączonych ze sobą węzłów zwanych neuronami, zorganizowanych w warstwy. Każdy neuron przetwarza dane wejściowe, stosuje wagi i odchylenia, a następnie przepuszcza wynik przez funkcję aktywacji, aby wygenerować sygnał wyjściowy. Sieci neuronowe zaprojektowano tak, aby uczyły się na danych poprzez iteracyjne dostosowywanie wag, umożliwiając im rozpoznawanie wzorców, dokonywanie prognoz lub wykonywanie zadań, takich jak klasyfikacja i regresja w oparciu o wyuczone wzorce.
Przykładem sieci neuronowej jest sieć neuronowa ze sprzężeniem zwrotnym używana do klasyfikacji obrazów. W tym scenariuszu sieć neuronowa składa się z warstwy wejściowej odbierającej wartości pikseli obrazu, warstw ukrytych, które wykonują obliczenia i wyodrębniają cechy poprzez połączenia ważone, oraz warstwy wyjściowej, która przewiduje etykietę klasy obrazu (np. kot lub pies). Poprzez uczenie z użyciem oznaczonych obrazów sieć uczy się identyfikować cechy, takie jak krawędzie, tekstury i kształty, umożliwiając dokładną klasyfikację nowych, niewidzianych obrazów w oparciu o wyuczone wzorce.
Splotowa sieć neuronowa (CNN) to wyspecjalizowany typ sieci neuronowej przeznaczony do przetwarzania ustrukturyzowanych danych przypominających siatkę, takich jak obrazy. Sieci CNN zawierają warstwy splotowe, które stosują filtry do danych wejściowych, wyodrębniając hierarchie przestrzenne i cechy, takie jak krawędzie i tekstury. Po tych warstwach następują warstwy łączone, które zmniejszają próbkowanie map obiektów w celu zmniejszenia wymiarów przestrzennych przy jednoczesnym zachowaniu istotnych informacji. Sieci CNN są szeroko stosowane w zadaniach takich jak rozpoznawanie obrazu, wykrywanie obiektów i segmentacja obrazu ze względu na ich zdolność do automatycznego uczenia się i identyfikowania wzorców w danych wizualnych z dużą dokładnością i wydajnością.
W głębokim uczeniu się neuron odnosi się do podstawowej jednostki w sieci neuronowej, która wykonuje obliczenia na danych wejściowych. Każdy neuron odbiera sygnały wejściowe, stosuje wagi i odchylenia do tych wejść, oblicza sumę ważoną, a następnie przepuszcza wynik przez funkcję aktywacji, aby wytworzyć sygnał wyjściowy. Neurony są zorganizowane w warstwy sieci neuronowych, gdzie każda warstwa przetwarza i przekształca reprezentacje danych, aby uchwycić coraz bardziej abstrakcyjne cechy. Neurony w modelach głębokiego uczenia się, w tym w CNN, odgrywają kluczową rolę w uczeniu się i przedstawianiu złożonych relacji i wzorców w danych, umożliwiając sieci przewidywanie lub podejmowanie decyzji w oparciu o wyuczoną wiedzę.