人工神经网络是一个数字体系结构，可模拟人类认知过程以对复杂模式进行建模、制定预测并对外部刺激做出适当反应。许多类型的机器学习都需要结构化的数据，而神经网络可以将周围世界的事件解释为可处理的数据。

每当你阅读报表、观看电影、驾驶汽车或闻鲜花时，大脑中的数十亿个神经元通过微小的电信号来处理信息。每个神经元处理输入，并将结果输出到下一个神经元进行后续处理，最终立即生成业务见解 - 轻笑、踩刹车或一点喜悦。在机器学习中，神经网络允许数字系统以类似的方式对情况做出解释和响应。

人工神经网络就像充满数字神经元的大脑。虽然大多数人工神经网络是对真实事物的基本模仿，但它们仍然可以处理大量非线性数据，以解决可能需要人为干预的复杂问题。例如，银行分析师可以使用人工神经网络来处理贷款申请并预测申请人违约的可能性。

在机器学习中，神经网络用于学习和建模复杂、可变的输入和输出，推断不可见的关系，并在没有数据分布限制的情况下进行预测。神经网络模型是许多深度学习应用程序的基础，例如计算机视觉和自然语言处理，可帮助支持欺诈防护、面部识别或自动驾驶车辆。

大多数企业依赖预测来为业务决策、销售策略、财务政策和资源利用提供信息。但由于传统预测的局限性，常常难以预测复杂的动态流程，其中包含多重且往往隐藏的潜在因素，如股票市场价格。深度学习神经网络模型有助于揭示复杂的非线性关系和不可见因素，使企业可以制定更准确的预测。

有几十种不同类型的 AI 神经网络，每一种都适用于不同的深度学习应用程序。使用适合你的业务和技术要求的 ANN。下面是常见 AI 神经网络的一些示例：

卷积神经网络
开发人员使用卷积神经网络帮助 AI 系统将图像转换为数字矩阵。CNN 主要用于图像分类和对象识别，适用于面部识别、主题检测和情绪分析。

反卷积神经网络
如果复杂或大容量的网络信号丢失或与其他信号卷积，反卷积神经网络将帮助查找它们。反卷积神经网络适用于处理高分辨率图像和光流估计。

生成式对抗网络
工程师使用生成式对抗网络来训练模型如何生成模拟训练数据的特定属性的新信息或材料。生成式对抗网络可帮助这些模型区分原件和副本之间的细微差异，以生成更真实的副本。生成式对抗网络应用程序包括高保真图像和视频生成、高级面部识别和超分辨率。

循环神经网络
循环神经网络将数据输入到具有特定时间延迟的隐藏层。网络计算会考虑当前状态下的历史信息，较高的输入不会更改模型大小。循环神经网络是语音识别、高级预测、机器人和其他复杂的深度学习工作负载的不错选择。

转换器
转换器旨在处理顺序输入数据。但是，它们并不限于按顺序处理这些数据。转换器转而使用注意力方法，这种方法允许模型将不同级别的影响分配给不同的输入数据片段，并标识输入序列中各数据片段的上下文。这样可增加并行化水平，从而减少模型训练时间。

尽管神经网络被视为机器学习的一个子集，但神经网络和常规机器学习模型之间存在一些显著差异。

一方面，神经网络通常比常规机器学习模型更复杂，并且能够更独立地运行。例如，神经网络可以自行确定其预测和结果是否准确，而机器学习模型则需要人类工程师输入才能进行这种区分。

此外，神经网络的结构使神经网络可以继续学习并自行做出智能决策。另一方面，机器学习模型只能基于其特别训练的内容做出决策。