本文摘要：人工神经网络在解决问题分类、重返、函数估算和降维等问题中十分简单。

人工神经网络在解决问题分类、重返、函数估算和降维等问题中十分简单。然而，有所不同的神经网络结构需要在某些问题上取得更高的性能。本文将阐述最少见的神经网络架构——还包括迭代神经网络和脑回神经网络——以及如何构建它们来协助区块链技术。脑回神经网络脑回神经网络（CNNs）是一种神经网络，目的捕猎输出数据中更加简单的特征。

要做这一点，CNNs是由一系列的图层包含的，每个图层由一系列立方体形状的滤镜构成。在CNNs中最常用的层是脑回层、仅次于池层和全相连层。•脑回层：脑回层由一组立方形滤波器构成，这些滤波器通过计算出来两者的点积与输出数据脑回，构成所谓的脑回特征同构。脑回层的目标就是指输出数据中萃取特征，并且一般来说在同一网络中用于多个脑回层，以便在数据传播时自学更加简单的特征。

•池化层：池化层定期放入到脑回网络中，负责管理增大脑回特征的空间大小。这样做到的主要原因是通过叛维来减少处置数据所需的计算能力。

一般来说，一般来说用于两种类型的池层：仅次于池层和平均值池层。•仅有相连层：仅有相连层被加到到网络的末端，并作为脑回层和池层的扁平向量回应的输出。本质上，几乎相连层代表一个规则的几乎相连神经网络，该神经网络的训练目的是对输出数据展开分类。

仅有相连层的输入是一维向量，回应输出数据归属于某一类的概率。迭代神经网络许多机器学习问题必须分析数据，在这些数据中可以仔细观察到单个训练实例之间的关系。

在处置所谓的排序问题时就是这种情况：输出到网络中的数据表示数据点的序列(一般来说称作“时间序列”)。可以寻找许多回应这种数据序列的实际例子，还包括日常气温、个别股票的收盘价或一个句子所代表的单词序列。从这些示例中可以确切地看见，有价值的信息有可能按照实例回应到网络的顺序隐蔽。

为了提供这些信息，必须更加简单的网络，这就希望了神经网络类型的发明者，这种类型的神经网络目前一般来说用作处置顺序数据:迭代神经网络(RNNs)。从概念上谈，RNNs通过在网络架构中引进对系统电路来构建这一点，使它们需要用于以前计算出来中的信息来确认新的输入。这一特性彰显了迭代神经网络一种类似于记忆的能力，使它们需要在处置顺序数据时总结几个步骤。

宽短时记忆网络长年短时记忆网络（LSTMs）用于记忆单元，而不是像RNNs那样用于常规神经元。这些单元由三个门构成：记得门、输入门和输出门。通过调节这些门，网络需要在一定的时间内忘记特定的值。此外，由于宽短时记忆网络需要增加交错问题，因此可用作深度迭代网络结构。

这使得它们尤其合适用作简单的排序任务，如时间序列预测，语音辨识和语义分析。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必须共识协议来要求哪个节点将向区块链加到新的公布的区块，从而为网络获取近期的交易信息。目前，在分布式系统中，不存在着有所不同的协议来达成协议共识，其中最引人注目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），或者偏向于偏向于偏向于持有人大量硬币的节点，这可能会独占其区块链（PoS）。人工智能——特别是在是神经网络——为这些问题获取了解决方案，方法是将其应用于一种叫作人工智能证明（PoAI）的新型节约能源协议中。人工智能协议证明由J. Chen等人（2018）明确提出。人工智能协议的证明用于一个预先训练的CNN来确认每个节点的平均值交易数（AVN），并利用该计算结果和节点特征来确认节点池中的挖出节点。

通过用于该协议，共识机制保证了节点自由选择的公平性，维持了区块链的去中心化特性，增加了能源浪费和挖出冲突的问题。区块链应用于的未来人工智能以及RNNs的引进，尤其是LSTMs的引进使得简单的时间序列预测沦为有可能，这是机器学习的一个领域，通过提到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，网卓新闻网，可以训练RNNs来估算其未来价格。

这使得零售行业的参与者需要考虑到未来价格的下跌/暴跌，这有可能有助向数字货币的实行过渡性。对于技术专业人士来说，尽量多地理解人工智能和神经网络的未来是十分最重要的，这样才能维持领先优势。在这方面有很多很好的资源可以协助你，比如自学神经网络这样的博客和来自GoogleTechTalks和Geoffrey E. Hinton的视频等。

网页一下网络，对未来展开投资——它不会以你意想不到的方式协助你。

本文来源：c7平台官网-www.unclemaks.com