神经网络

重庆师范大学 数学科学学院; 重庆师范大学 重庆国家应用数学中心， 重庆 401331 【目的】研究解决传统神经网络手动设计网络结构的局限性，并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案，用以同时完成神经网络的权值空间和网络结构空间的搜索，给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略，使用一种新的网络结构交叉和变异方法，通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛

接着上一节课的内容，这一小节，我们将要对我们建立的神经网络模型的输出结果在不同的训练阶段可视化（visualization）。 建筑和训练神经网络的步骤和上次内容一样 不同的是 这次我们要有可视化的效果。 我们在这里引入了matplotlib这个工具包 用来绘图及数据可视化

卷积神经网络 Convolutional Neural Networks，简称CNN。卷积神经网络由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层。这一结构使得卷积神经网络能够利用输入数据的二维结构

在AI时代进行式当中，卷积神经网络(Convolutional Neural Network CNN)是众多电脑视觉深度学习网络的基础与核心，本次课程将重头介绍简易的影像处理基本知识，以及经典的影像特征撷取方式。会详细讲解卷积神经网络的计算流程，以及一些经典的CNN模型，并实际演练CNN的计算过程。我们希望透过介绍卷积神经网络的理论基础并拆解其内部构造，让大家能够参与了解现代深度学习系统的黑盒内部原理，借此将AI技术开放出去，并能够开发自己的卷积神经网络模型从而达到开放与创新的价值

深度神经网络在图像识别、语音处理以及机器翻译等领域具有良好的预测性能，但是由于深度神经网络对决策结果可解释性的缺乏以及解决训练开销而寻求的外包训练的安全难以有效保证，都导致深度神经网络存在脆弱性，攻击者可以利用脆弱性对模型做出卓有成效的攻击。学术报告从深度神经网络的一般训练过程出发，讲述了深度神经网络中常见攻击存在的环节以及攻击的效果，详细阐述了深度神经网络典型后门攻击方法，简单分析了最新的后门攻击方法做出的改进以及成效，最后对深度神经网络后门攻击方法的研究前景做了展望。深度神经网络及在其之上改进的神经网络模型在AI领域的预测效果越来越好，后门攻击的存在不会掣肘深度神经网络发展，如何规避后门攻击，增强神经网络模型的鲁棒性，让模型预测结果具有较强的可解释性是未来研究要解决的问题