面向深度學習的五大神經網絡模型及其應用
譯文【51CTO.com快譯】神經網絡是識別一組數據中潛在關系的一系列算法。這些算法很大程度上有賴于人腦的運作方式。神經網絡可以適應不斷變化的輸入,生成最佳結果,無需重新設計輸出標準。在某種程度上,這些神經網絡類似生物神經元的系統。
深度學習是機器學習的重要組成部分,深度學習算法基于神經網絡。有幾種功能不同的神經網絡架構,最適合特定的應用場景。本文介紹一些最知名的架構,尤其是深度學習方面的架構。
多層感知器
多層感知器(MLP)是一類前饋人工神經網絡。感知器這個術語具體是指單個神經元模型,它是大型神經網絡的前體。
MLP包括節點的三個主要層:輸入層、隱藏層和輸出層。在隱藏層和輸出層中,每個節點都被視為使用非線性激活函數的神經元。MLP使用一種稱為反向傳播的監督式學習技術進行訓練。初始化神經網絡時,為每個神經元設置權重。反向傳播有助于調整神經元權重,以獲得更接近預期的輸出。
對于涉及表格數據集、分類預測問題和回歸預測問題的項目,MLP最理想。
卷積神經網絡
卷積神經網絡(CNN)模型處理具有網格圖案(比如圖像)的數據。它旨在自動學習特征的空間層次結構。CNN通常包括三種類型的層:卷積層、池化層和完全連接的層。
卷積層和池化層執行特征提取任務,這些提取的特征由完全連接的層映射到最終輸出中。 CNN最適合圖像處理。
圖像識別、圖像分類、對象檢測和人臉識別是CNN的一些應用場景。
遞歸神經網絡
在遞歸神經網絡(RNN)中,前一步的輸出將作為輸入被反饋回到當前步驟。RNN中的隱藏層實現這種反饋系統。該隱藏狀態可以存儲有關序列中之前步驟的一些信息。
RNN中的“內存”可幫助模型記住已計算的所有信息。反過來,它使用這些同樣的參數,以便每個輸入生成輸出,因而降低了參數的復雜性。
RNN是使用最廣泛的神經網絡類型之一,主要是由于RNN具有更強的學習能力,而且能夠執行諸如學習手寫或語言識別之類的復雜任務。RNN適用的其他一些領域包括預測問題、機器翻譯、視頻標記、文本摘要,甚至音樂創作。
深度信念網絡
深度信念網絡(DBN)使用概率和無監督學習來生成輸出。DBN由二進制潛在變量、無向層和有向層組成。DBN有別于其他模型,原因是每一層都按順序進行調節,每一層都學習整個輸入。
在DBN中,每個子網的隱藏層都是下一個的可見層。這種組合可以實現快速的逐層無監督訓練過程:對比差異應用于每個子網,從最低可見層開始。貪婪的學習算法用于訓練DBN。學習系統每次取一層。因此,每一層收到不同版本的數據,每一層都使用前一層的輸出作為其輸入。
DBN主要應用于圖像識別、視頻識別和運動捕獲數據。
受限玻爾茲曼機
玻爾茲曼機(RBM)是一種生成式非確定性(隨機)神經網絡,可學習其輸入集的概率分布。RBM是組成深度信念網絡構建模塊的淺度兩層神經網絡。RBM中的第一層名為可見層或輸入層,第二層名為隱藏層。它由名為節點的類似神經元的單元組成;節點跨層相互連接,但不在同一層內。
RBM通常用于降維、推薦系統和主題建模等應用場景。不過近年來,生成式對抗網絡(GAN)在漸漸取代RBM。
原文標題:Top 5 Neural Network Models For Deep Learning & Their Applications,作者:Shraddha Goled
【51CTO譯稿,合作站點轉載請注明原文譯者和出處為51CTO.com】