人工神經網絡在解決分類、回歸、函數估計和降維等問題中非常有用。然而，不同的神經網絡結構能夠在某些問題上獲得更高的性能。本文將概述最常見的神經網絡架構——包括遞歸神經網絡和腦回神經網絡——以及如何實現它們來幫助區塊鏈技術。

腦回神經網絡

腦回神經網絡（CNNs）是一種神經網絡，旨在捕捉輸入數據中越來越復雜的特征。要做到這一點，CNNs是由一系列的圖層構成的，每個圖層由一系列立方體形狀的濾鏡組成。在CNNs中最常用的層是腦回層、最大池層和全連接層。

?腦回層：腦回層由一組立方形濾波器組成，這些濾波器通過計算兩者的點積與輸入數據腦回，形成所謂的腦回特征映射。腦回層的目標是從輸入數據中提取特征，并且通常在同一網絡中使用多個腦回層，以便在數據傳播時學習越來越復雜的特征。

?池化層：池化層定期插入到腦回網絡中，負責縮小腦回特征的空間大小。這樣做的主要原因是通過降維來降低處理數據所需的計算能力。一般來說，通常使用兩種類型的池層：最大池層和平均池層。

?全連接層：全連接層被添加到網絡的末端，并作為腦回層和池層的扁平向量表示的輸入。本質上，完全連通層代表一個規則的完全連通神經網絡，該神經網絡的訓練目的是對輸入數據進行分類。全連通層的輸出是一維向量，表示輸入數據屬于某一類的概率。

遞歸神經網絡

許多機器學習問題需要分析數據，在這些數據中可以觀察到單個訓練實例之間的關系。在處理所謂的排序問題時就是這種情況：輸入到網絡中的數據表示數據點的序列（通常稱為“時間序列”）。

可以找到許多表示這種數據序列的實際例子，包括日常氣溫、個別股票的收盤價或一個句子所代表的單詞序列。從這些示例中可以清楚地看到，有價值的信息可能按照實例表示到網絡的順序隱藏。為了獲取這些信息，需要更復雜的網絡，這就鼓勵了神經網絡類型的發明，這種類型的神經網絡目前通常用于處理順序數據：遞歸神經網絡（RNNs）。

從概念上講，RNNs通過在網絡架構中引入反饋回路來實現這一點，使它們能夠使用以前計算中的信息來確定新的輸出。這一特性賦予了遞歸神經網絡一種類似記憶的能力，使它們能夠在處理順序數據時回顧幾個步驟。

長短時記憶網絡

長期短時記憶網絡（LSTMs）使用記憶單元，而不是像RNNs那樣使用常規神經元。這些單元由三個門組成：忘記門、輸出門和輸入門。通過調節這些門，網絡能夠在一定的時間內記住特定的值。此外，由于長短時記憶網絡能夠減少漸變問題，因此可用于深度遞歸網絡結構。這使得它們特別適合用于復雜的排序任務，如時間序列預測，語音識別和語義分析。

區塊鏈行業的人工智能

像區塊鏈技術這樣的分布式存儲系統需要共識協議來決定哪個節點將向區塊鏈添加新發布的區塊，從而為網絡提供最新的交易信息。目前，在分布式系統中，存在著不同的協議來達成共識，其中最突出的協議是工作證明協議（PoW）和利害關系證明協議（PoS）。然而，這些協議是有缺陷的，因為它們消耗了大量的能量（PoW），或者傾向于傾向于傾向于持有大量硬幣的節點，這可能會壟斷其區塊鏈（PoS）。

人工智能——尤其是神經網絡——為這些問題提供了解決方案，方法是將其應用于一種叫做人工智能證明（PoAI）的新型節能協議中。人工智能協議證明由J. Chen等人（2018）提出。人工智能協議的證明使用一個預先訓練的CNN來確定每個節點的平均交易數（AVN），并利用該計算結果和節點特征來確定節點池中的挖掘節點。通過使用該協議，共識機制確保了節點選擇的公平性，保持了區塊鏈的去中心化特性，減少了能源浪費和挖掘沖突的問題。

區塊鏈應用的未來

人工智能以及RNNs的引入，特別是LSTMs的引入使得復雜的時間序列預測成為可能，這是機器學習的一個領域，通過引用過去的參數來預測未來的參數。

利用比特幣（或任何加密貨幣）之前的價格點的數據，可以訓練RNNs來估計其未來價格。這使得零售行業的參與者能夠考慮到未來價格的上漲/下跌，這可能有助于向數字貨幣的實施過渡。

對于技術專業人士來說，盡可能多地了解人工智能和神經網絡的未來是非常重要的，這樣才能保持領先優勢。在這方面有很多很好的資源可以幫助你，比如學習神經網絡這樣的博客和來自GoogleTechTalks和Geoffrey E. Hinton的視頻等。瀏覽一下網絡，對未來進行投資——它會以你意想不到的方式幫助你。
責任編輯；zl