'前馈网络'之间的区别是什么?和'完全连接的网络'?

时间:2017-08-29 07:58:09

标签: tensorflow neural-network deep-learning

有时我会对这两个词混淆。所以,我要求澄清一下。 有人说'前馈网络'是一个典型的神经网络。 如果那时,'前馈网络'意味着更大的范围,包括完全连接的网络'? 如果那时,RNN或CNN被包含在前馈网络中。也? 我想它不是.. 我希望有一个清晰的描述。谢谢。

2 个答案:

答案 0 :(得分:1)

前馈网络是没有周期的网络,参考https://en.wikipedia.org/wiki/Feedforward_neural_network

CNN是前馈网络,RNN不是。实际上RNN也没有周期,只是从某个角度来看,你可以想象RNN有一个理解概念的周期。

一些先进的网络包含卷积层和完全连接的层,在完全连接的层中,神经元与透水层中的所有神经元有连接。在卷积层中,每个神经元仅连接到前一层中的一些神经元(取决于内核大小)。

答案 1 :(得分:1)

他们确实是独立的财产:

  • 前馈网络是没有循环连接的网络,也就是说,它与循环网络(RNN)相反。这是一个重要的区别,因为在前馈网络中,梯度是通过backpropagation(即链规则)明确定义和计算的,而在循环网络中,梯度计算可能需要无限次的操作,所以你通常必须将其限制为固定的步数,并且在任何情况下都更昂贵(见backpropagation through time)。
  • 完全连接的网络,或者更恰当地说,网络中的完全连接的层是这样的,即每个输入神经元连接到下一层中的每个神经元。例如,这与卷积层形成对比,其中每个输出神经元依赖于输入神经元的子集。

经典multilayer perceptron是由完全连接的图层组成的前馈网络。最常见的"卷积网络"也是前馈的,由许多卷积和汇集层组成,但也有一些完全连接的层。像LSTMs这样的循环单元可能通常不被认为是完全连接的,因为它的内部架构有点复杂和具体,但你可以说它们有点像,因为每个输出最终都依赖于在某种程度上的每一项投入然而,它们不是前馈,因为它们呈现经常性连接。