总结 27 类深度学习主要神经网络：结构图及应用( 四 ) 作者丨PratikShukla

基于梯度算法学习速度慢
迭代调优所有参数

极限学习机随机选择隐藏节点，然后通过分析确定输出权重。因此，这些算法比一般的神经网络算法更快。另外，在极限学习机网络中，随机分配的权重通常不会更新。它只需一步就能学会输出权重。
应用:

分类
回归
聚类
稀疏逼近
特征学习

23. 回声状态网络(Echo State Network (ESN))

文章插图
ESN是循环神经网络的一个子类型。这里每个输入节点接收到一个非线性信号。在 ESN 中，隐藏的节点是稀疏连接的。隐节点的连通度和权值是随机分配的。在ESN上，最终的输出权重是可训练更新的。
应用:

时间序列预测
数据挖掘

24. 深度残差网络(Deep Residual Network (DRN))

文章插图
具有多层结构的深层神经网络训练很难，且需要花费大量的时间。它也可能导致结果退化。深度残差网络即使有很多层也可以防止结果退化。使用残差网络，其输入的一些部分会传递到下一层。因此，这些网络可以相当深(它可能包含大约300层) 。
应用:

图像分类
目标检测
语义分割
语音识别
语言识别

25. Kohonen网络(Kohonen Networks (KN) )

文章插图
Kohonen 网络是一种无监督算法。 Kohonen 网络也称为自组织映射，当我们的数据分散在多个维度，而我们希望它只有一个或两个维度时，这非常有用。它可以认为是一种降维的方法。我们使用 Kohonen 网络可视化高维数据。他们使用竞争学习而不是纠错学习。
各种拓扑结构:

矩形网格拓扑
六边形网格拓扑

应用：

降维
水质评价与预测
沿岸水资源管理

26. 支持向量机(Support Vector Machines (SVM)):

文章插图
支持向量机神经网络是支持向量机和神经网络的混合算法。对于一组新的样本，它总是试图分为两类: 是或否(1或0) 。支持向量机通常用于二分类。这些通常不被认为是神经网络。
应用:

人脸检测
文本分类
分类
生物信息学
手写识别

27. 神经图灵机(Neural Turing Machine (NTM)) :

文章插图
神经图灵机结构包含两个主要组件:

神经网络控制器
记忆库

【总结 27 类深度学习主要神经网络：结构图及应用】在这个神经网络中，控制器通过输入和输出向量与外界进行交互。它还通过与记忆矩阵交互来执行选择性读写操作。图灵机被认为在计算上等同于现代计算机。因此， NTM通过与外部存储的交互，扩展了标准神经网络的能力。
应用:

机器人
制造人造大脑

希望你喜欢这篇关于神经网络主要类型的概述。如果你有任何反馈，或者有什么需要修改或重新审视的地方，欢迎在评论中补充。
References:
[1] Activation Function | Wikipedia | en.wikipedia.org/wiki/A
[2] The perceptron: a probabilistic model for information storage and organization in the brain | Frank Rosenblatt | University of Pennsylvania | ling.upenn.edu/courses/
[3] Frank Rosenblat’s Mark I Perceptron at the Cornell Aeronautical Laboratory. Buffalo, Newyork, 1960 | Instagram, Machine Learning Department at Carnegie Mellon University | instagram.com/p/Bn_s3bj
[4] Backpropagation | Wikipedia |
原文：
声明：部分内容来源于网络，仅供读者学习、交流之目的。文章版权归原作者所有。如有不妥，请联系删除。