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(qū)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(guī)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(fā)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(guī)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(jié)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(qū)塊鏈行業(yè)的人工智能

像區(qū)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(jié)點將向區(qū)塊鏈添加新發(fā)布的區(qū)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(jié)點，這可能會壟斷其區(qū)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(jié)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(jié)點的平均交易數（AVN），并利用該計算結果和節(jié)點特征來確定節(jié)點池中的挖掘節(jié)點。通過使用該協議，共識機制確保了節(jié)點選擇的公平性，保持了區(qū)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(qū)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(yè)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(yè)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(yōu)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。