APP
区块链的人工神经网络入门教程
2020-01-13 30229 2

人工神经网络在解决分类、回归、函数估计和降维等问题中非常有用。然而,不同的神经网络结构能够在某些问题上获得更高的性能。本文将概述最常见的神经网络架构——包括递归神经网络和脑回神经网络——以及如何实现它们来帮助区块链技术。

脑回神经网络



脑回神经网络(CNNs)是一种神经网络,旨在捕捉输入数据中越来越复杂的特征。要做到这一点,CNNs是由一系列的图层构成的,每个图层由一系列立方体形状的滤镜组成。在CNNs中最常用的层是脑回层、最大池层和全连接层。



•脑回层:脑回层由一组立方形滤波器组成,这些滤波器通过计算两者的点积与输入数据脑回,形成所谓的脑回特征映射。脑回层的目标是从输入数据中提取特征,并且通常在同一网络中使用多个脑回层,以便在数据传播时学习越来越复杂的特征。



•池化层:池化层定期插入到脑回网络中,负责缩小脑回特征的空间大小。这样做的主要原因是通过降维来降低处理数据所需的计算能力。一般来说,通常使用两种类型的池层:最大池层和平均池层。
•全连接层:全连接层被添加到网络的末端,并作为脑回层和池层的扁平向量表示的输入。本质上,完全连通层代表一个规则的完全连通神经网络,该神经网络的训练目的是对输入数据进行分类。全连通层的输出是一维向量,表示输入数据属于某一类的概率。



递归神经网络



许多机器学习问题需要分析数据,在这些数据中可以观察到单个训练实例之间的关系。在处理所谓的排序问题时就是这种情况:输入到网络中的数据表示数据点的序列(通常称为“时间序列”)。



可以找到许多表示这种数据序列的实际例子,包括日常气温、个别股票的收盘价或一个句子所代表的单词序列。从这些示例中可以清楚地看到,有价值的信息可能按照实例表示到网络的顺序隐藏。为了获取这些信息,需要更复杂的网络,这就鼓励了神经网络类型的发明,这种类型的神经网络目前通常用于处理顺序数据:递归神经网络(RNNs)。



从概念上讲,RNNs通过在网络架构中引入反馈回路来实现这一点,使它们能够使用以前计算中的信息来确定新的输出。这一特性赋予了递归神经网络一种类似记忆的能力,使它们能够在处理顺序数据时回顾几个步骤。



长短时记忆网络



长期短时记忆网络(LSTMs)使用记忆单元,而不是像RNNs那样使用常规神经元。这些单元由三个门组成:忘记门、输出门和输入门。通过调节这些门,网络能够在一定的时间内记住特定的值。此外,由于长短时记忆网络能够减少渐变问题,因此可用于深度递归网络结构。这使得它们特别适合用于复杂的排序任务,如时间序列预测,语音识别和语义分析。



区块链行业的人工智能



像区块链技术这样的分布式存储系统需要共识协议来决定哪个节点将向区块链添加新发布的区块,从而为网络提供最新的交易信息。目前,在分布式系统中,存在着不同的协议来达成共识,其中最突出的协议是工作证明协议(PoW)和利害关系证明协议(PoS)。然而,这些协议是有缺陷的,因为它们消耗了大量的能量(PoW),或者倾向于倾向于倾向于持有大量硬币的节点,这可能会垄断其区块链(PoS)。



人工智能——尤其是神经网络——为这些问题提供了解决方案,方法是将其应用于一种叫做人工智能证明(PoAI)的新型节能协议中。人工智能协议证明由J. Chen等人(2018)提出。人工智能协议的证明使用一个预先训练的CNN来确定每个节点的平均交易数(AVN),并利用该计算结果和节点特征来确定节点池中的挖掘节点。通过使用该协议,共识机制确保了节点选择的公平性,保持了区块链的去中心化特性,减少了能源浪费和挖掘冲突的问题。



区块链应用的未来



人工智能以及RNNs的引入,特别是LSTMs的引入使得复杂的时间序列预测成为可能,这是机器学习的一个领域,通过引用过去的参数来预测未来的参数。



利用比特币(或任何加密货币)之前的价格点的数据,可以训练RNNs来估计其未来价格。这使得零售行业的参与者能够考虑到未来价格的上涨/下跌,这可能有助于向数字货币的实施过渡。



对于技术专业人士来说,尽可能多地了解人工智能和神经网络的未来是非常重要的,这样才能保持领先优势。在这方面有很多很好的资源可以帮助你,比如学习神经网络这样的博客和来自GoogleTechTalks和Geoffrey E. Hinton的视频等。浏览一下网络,对未来进行投资——它会以你意想不到的方式帮助你。

内容来源:区块网

版权声明:本文仅为传播消息之用,不代表币源社区立场,文章不构成投资建议。如需转载,请务必注明文章原作者以及来源,部分图片来源于网络,我们尊重版权,如有疑问敬请联系,我们将核实并删除。

我要评论
字数上限500
评论(2)
  • 阿扬锄禾

    发表于10天前
    感谢分享!!
  • 垃圾160104

    发表于10天前
    感谢分享!