应用错误收集

它们是相同类型的网络。卷积神经网络。概述的问题是，一旦你发布了它已经过时的东西。你描述的大多数网络已经老了，即使它们只有几年的历史。

然而，您可以查看caffe（https://github.com/BVLC/caffe/tree/master/models）提供的网络。

在我个人看来，深度学习中最重要的概念是循环网络（https://keras.io/layers/recurrent/），剩余连接，初始块（参见https://arxiv.org/abs/1602.07261）。其余的主要是理论概念，不适合堆栈溢出答案。

基本上有两种类型的神经网络，监督和无监督学习。两者都需要一套“学习”的训练集。想象培训集作为大量书籍，您可以学习特定信息。在监督学习中，本书提供了答案密钥，但没有解决方案手册，相反，无监督学习没有答案密钥或解决方案手册。但目标是相同的，即在问题和答案（监督学习）和问题（无监督学习）之间找到模式。

现在我们区分这两者，我们可以进入模型。让我们来讨论有监督学习，它基本上有3个主要模型：

人工神经网络（ANN）
卷积神经网络（CNN）
递归神经网络（RNN）

ANN是这三者中最简单的。我相信你已经明白了，所以我们可以向CNN迈进。

基本上在CNN，您所要做的就是将我们的输入与特征检测器进行卷积。特征检测器是具有（行，列，深度（特征检测器的数量）的维度的矩阵。卷积我们的输入的目的是提取与空间数据相关的信息。假设您想要区分猫和狗。猫有但是狗也没有。猫也有不同的眼睛等等。但缺点是，卷积层越多，计算时间就越慢。为了缓解这种情况，我们做了一些称为汇集的处理或下采样。基本上，这会减少特征检测器的大小，同时最大限度地减少丢失的特征或信息。然后下一步将展平或将所有这些3d矩阵压缩成（ n，1）维度，因此您可以将其输入到ANN中。然后下一步是自解释的，这是正常的ANN。因为CNN本身能够检测某些特征，所以它主要（可能总是）用于分类，例如图像分类，时间序列clas sification，甚至视频分类。有关CNN的速成班，请查看Siraj Raval的video。他是我最喜欢的youtuber！

可以说是三者中最复杂的， RNN 最好被描述为具有“记忆”的神经网络，通过在其中引入“循环”，允许信息持续存在。为什么这很重要？在您阅读本文时，您的大脑会使用以前的记忆来理解所有这些信息。你似乎没有再从头开始重新思考一切，这就是传统的神经网络所做的，即忘记一切并重新学习。但原生RNN无效，所以当人们谈论 RNN 时，他们大多指的是 LSTM ，它代表长期短期记忆。如果这看起来让您感到困惑，Cristopher Olah会以非常简单的方式给您深入解释。我建议您查看他的链接，以便完全了解 RNN ，尤其是 LSTM 变体

至于无监督学习，我很抱歉我没有时间学习它们，所以这是我能做的最好的。祝你好运，玩得开心！

深度学习网络概述

2 个答案: