企业官网建设流程全解析

一.神经网络的输入数据类型

神经网络的输入数据类型，本质上是根据数据的结构和来源划分的，不同类型的数据对应不同的神经网络架构（比如 CNN 对应图像、RNN 对应序列）。常见的输入数据类型主要有以下 4 类：

1.结构化数据（表格数据——向量）

这是最常见的传统数据类型，数据以行和列的形式组织，每一行是一个样本，每一列是一个特征。（想象成绩表）

• 特点：分为数值型和类别型。
  • 数值型特征：年龄、身高、温度特征维度清晰，有明确的含义、价格、销量等连续或离散的数字标签。
  • 类别型特征：性别（男 / 女）、颜色（红 / 蓝 / 绿）、职业（教师 / 医生）等非数字标签，输入前需要做编码（如独热编码、标签编码）。
• 适用的神经网络：全连接神经网络（DNN）、多层感知机（MLP）。
• 应用场景：信用评分、客户流失预测、房价预测、疾病风险评估。

2.图像数据（视觉数据——矩阵）

图像数据是二维或三维的像素矩阵，是深度学习最核心的应用领域之一。

• 特点：
  • 二维图像：结构为[高度, 宽度, 通道数]，比如一张 224×224 的彩色图，通道数为 3（RGB）；灰度图通道数为 1。
  • 像素值通常是 0–255 的整数，代表颜色深浅，输入前需要归一化（如除以 255 缩放到 0–1）。
• 适用的神经网络：卷积神经网络（CNN），专门用来提取图像的空间特征（边缘、纹理、形状）。
• 应用场景：人脸识别、图像分类（猫 / 狗）、目标检测（识别图片里的汽车 / 行人）、医学影像诊断（CT / 核磁分析）。

3.序列数据（时序/文本数据）

序列数据的核心是数据的顺序有意义，数据是按时间或先后排列的一维序列。

• 常见子类：
  1. 文本数据：最典型的序列数据，由单词、字符组成，比如一句话、一篇文章。输入前需要做向量化（如 Word2Vec、One-Hot、Transformer 嵌入）。
  2. 时序数据：随时间变化的数值序列，比如股票价格（每分钟的收盘价）、心电图波形（每秒的电压值）、传感器数据（每小时的温度值）。
• 特点：样本长度不固定（比如不同句子的单词数不同），前后数据存在依赖关系。
• 适用的神经网络：循环神经网络（RNN）、长短时记忆网络（LSTM）、门控循环单元（GRU）、Transformer（BERT、GPT 的核心架构）。
• 应用场景：机器翻译、语音识别、情感分析、股票预测、语音合成。

4.音频数据（矩阵or序列）

音频数据本质是一维的声波信号（序列数据），但通常会被转换成二维的频谱图（矩阵）后再输入神经网络。其类型不是绝对的，既可以作为序列数据，也可以转换为矩阵数据，具体取决于处理方式和对应的神经网络架构。

1. 原始音频：天然的一维序列数据

原始音频是麦克风采集的声波信号，经过采样后会变成一串离散的数字值，它的结构是[采样点数量]的一维数组。

• 特点：数据按时间顺序排列，相邻采样点之间有强依赖关系（前一时刻的声音会影响后一时刻），完全符合序列数据的定义。
• 适用网络：循环神经网络（RNN/LSTM/GRU）、Transformer，这类网络擅长捕捉时序依赖。
• 应用场景：语音合成、实时语音情感识别（对时序连贯性要求高的任务）。

2. 处理后音频：转换为二维矩阵数据

直接处理一维音频序列的难度较高，因为很难直接提取出 “音调”“音色” 这类关键特征，所以实际应用中更常用的是频谱图（Spectrogram）格式。

• 转换方法：通过短时傅里叶变换（STFT），把一维的时间序列，转换成 “时间 - 频率 - 能量” 的二维矩阵：
  • 横轴 = 时间
  • 纵轴 = 频率
  • 每个点的数值 = 对应时间和频率下的声音能量
• 特点：这个二维矩阵和图像数据的结构[高度, 宽度]完全一致，属于矩阵数据。
• 适用网络：卷积神经网络（CNN），可以像处理图像一样提取局部特征（比如某个时间段的特定频率特征）。
• 应用场景：语音识别、音乐分类、声纹识别（绝大多数主流音频任务）。

3.总结

简单来说：原始音频是序列，加工后的频谱图是矩阵，后者在实际项目中更常用。

二.神经网络的输出数据类型

神经网络的输出数据类型，主要由任务目标决定，常见的有以下四大类，每一类都对应着不同的模型结构和损失函数：

1.分类输出（离散类别——选择题）

• 核心特点：输出是离散的类别标签或每个类别的概率分布，任务目标是判断输入属于哪一类。
• 常见形式：
  • 单分类：输出一个概率分布（如[0.95, 0.03, 0.02]对应 “猫、狗、鸟” 三类，取概率最高的 “猫” 作为结果）。
  • 多标签分类：输出多个独立的概率值（如一张图里同时有 “猫” 和 “狗”，输出[0.9, 0.85, 0.01]表示这两个标签都为正）。
• 典型任务：图像分类（识别猫 / 狗）、人脸识别（判断是谁）、文本情感分析（正面 / 负面）。
• 输出层激活函数：Softmax（单分类）、Sigmoid（多标签分类）

2.回归输出（连续数值——填空题）

• 核心特点：输出是连续的数值，任务目标是预测一个或多个具体的数值。
• 常见形式：
  • 单值回归：输出一个连续值（如预测房价为150.8 万元，预测温度为25.6℃）。
  • 多值回归：输出多个连续值（如预测 bounding box 的坐标[x1, y1, x2, y2]）。
• 典型任务：房价预测、温度预测、目标检测中的边框回归。
• 输出层激活函数：Linear（无激活），或根据任务范围用 Sigmoid/Tanh 限制输出区间。

3.生成输出（结构化输出数据——简答题）

• 核心特点：输出是高维、结构化的新数据。任务目标是主动创造出全新的、结构完整的内容。
• 生成输出常见形式：
  • 文本生成：写文章、聊天机器人、机器翻译
  • 图像生成：文生图（如 Stable Diffusion）、图像修复、风格迁移
  • 音频生成：语音合成（TTS）、音乐生成
  • 其他生成：代码生成，3D模型生成

生成式输出的本质是 “无中生有”，它要求模型不仅要理解输入，还要能创造出符合人类认知和任务要求的全新结构化内容。

三.小练习

1.向量；回归

2.序列；生成（结构化）输出

3.序列；分类生成（结构化输出）(错误想法：在写下代码的前缀时AI会提供可选择的填充代码，因此就将其理解为了分类。正确想法：无论是填充代码还是根据需求自动生成代码，最终生成的是代码序列，是一种结构化输出）

4.矩阵；回归分类（这是一个 “身份识别” 问题，目标是从有限的已知人物集合（如 “张三、李四、王五”）中，选出图片人物对应的标签。）

5.序列；分类

6.序列（也可）矩阵（更主流）；分类

7.矩阵矩阵+序列；分类（这是一个典型的多模态分类任务，需要同时处理两种不同类型的输入）

8.矩阵；分类圈出羊是回归，识别羊是分类（圈出羊：需要用一个矩形框（bounding box）把羊框住，这个框的位置由(x1, y1, x2, y2)四个连续的坐标值决定——(x1, y1)代表矩形框的左上角顶点坐标，(x2, y2)代表矩形框的右下角顶点坐标。预测这四个连续数值的过程，就是回归输出）

9.矩阵；分类

解释：这个任务属于图像分割任务，它的输出类型是逐像素分类，本质上是一种分类任务的延伸。

1. 任务本质:这个任务要求为图像中的每个像素点判断它属于 “人”“路”“车” 还是 “背景”，这是一个逐像素的分类问题。每个像素都被分配一个类别标签，最终所有像素的分类结果组合起来，就形成了人、路、车的轮廓。

2. 为什么不是回归或生成

   • 回归：回归输出的是连续数值（如坐标、温度），而这里输出的是每个像素的离散类别标签（人 / 路 / 车 / 背景），不是连续值。
   • 生成：生成任务是创造全新的内容，而这里是对已有图像的像素进行类别标注，没有 “无中生有”，只是对现有信息的分类。

3. 常见的图像分割类型

   • 语义分割：只区分类别，不区分同一类的不同个体（比如把所有行人都标为 “人”）。
   • 实例分割：不仅区分类别，还区分同一类的不同个体（比如把不同的行人标为 “人 1”“人 2”）。

10.向量，矩阵，序列 ；结构化输出