学习|面向深度学习的五大神经网络模型及其应用神经网络是识别一组数据中潜

文章插图
神经网络是识别一组数据中潜在关系的一系列算法。这些算法很大程度上有赖于人脑的运作方式。神经网络可以适应不断变化的输入，生成最佳结果，无需重新设计输出标准。在某种程度上，这些神经网络类似生物神经元的系统。
【学习|面向深度学习的五大神经网络模型及其应用】深度学习是机器学习的重要组成部分，深度学习算法基于神经网络。有几种功能不同的神经网络架构，最适合特定的应用场景。本文介绍一些最知名的架构，尤其是深度学习方面的架构。
多层感知器
多层感知器(MLP)是一类前馈人工神经网络。感知器这个术语具体是指单个神经元模型，它是大型神经网络的前体。
MLP包括节点的三个主要层：输入层、隐藏层和输出层。在隐藏层和输出层中，每个节点都被视为使用非线性激活函数的神经元。 MLP使用一种称为反向传播的监督式学习技术进行训练。初始化神经网络时，为每个神经元设置权重。反向传播有助于调整神经元权重，以获得更接近预期的输出。
对于涉及表格数据集、分类预测问题和回归预测问题的项目， MLP最理想。
卷积神经网络
卷积神经网络(CNN)模型处理具有网格图案(比如图像)的数据。它旨在自动学习特征的空间层次结构。 CNN通常包括三种类型的层：卷积层、池化层和完全连接的层。
卷积层和池化层执行特征提取任务，这些提取的特征由完全连接的层映射到最终输出中。CNN最适合图像处理。
图像识别、图像分类、对象检测和人脸识别是CNN的一些应用场景。
递归神经网络
在递归神经网络(RNN)中，前一步的输出将作为输入被反馈回到当前步骤。 RNN中的隐藏层实现这种反馈系统。该隐藏状态可以存储有关序列中之前步骤的一些信息。
RNN中的“内存”可帮助模型记住已计算的所有信息。反过来，它使用这些同样的参数，以便每个输入生成输出，因而降低了参数的复杂性。
RNN是使用最广泛的神经网络类型之一，主要是由于RNN具有更强的学习能力，而且能够执行诸如学习手写或语言识别之类的复杂任务。 RNN适用的其他一些领域包括预测问题、机器翻译、视频标记、文本摘要，甚至音乐创作。
深度信念网络
深度信念网络(DBN)使用概率和无监督学习来生成输出。 DBN由二进制潜在变量、无向层和有向层组成。 DBN有别于其他模型，原因是每一层都按顺序进行调节，每一层都学习整个输入。
在DBN中，每个子网的隐藏层都是下一个的可见层。这种组合可以实现快速的逐层无监督训练过程：对比差异应用于每个子网，从最低可见层开始。贪婪的学习算法用于训练DBN 。学习系统每次取一层。因此，每一层收到不同版本的数据，每一层都使用前一层的输出作为其输入。
DBN主要应用于图像识别、视频识别和运动捕获数据。
受限玻尔兹曼机
玻尔兹曼机(RBM)是一种生成式非确定性(随机)神经网络，可学习其输入集的概率分布。 RBM是组成深度信念网络构建模块的浅度两层神经网络。 RBM中的第一层名为可见层或输入层，第二层名为隐藏层。它由名为节点的类似神经元的单元组成;节点跨层相互连接，但不在同一层内。
RBM通常用于降维、推荐系统和主题建模等应用场景。不过近年来，生成式对抗网络(GAN)在渐渐取代RBM 。