前言
本文綜合整理常用的神經網路，包括生物神經網路、人工神經網路、卷積神經網路、回圈神經網路、生成對抗網路；參考了許多高校的課程、論文、博客和視頻等，文章的結構是先進行概念了解，然后結合圖片、結構圖、一步一步詳細講解；大家要不看看？ ( ?? ω ?? )y
一、人工神經網路
簡介：人工神經網路 (Artificial Neural Network, ANN)，由人工神經元構成的網路，模擬人類的大腦；它模擬生物程序以反映人腦某些特征的計算結構，
聯系：人工神經元模擬生物神經元；人工神經網路模擬人類的大腦，模擬生物神經網路，
特點：人工神經網路是一個并行、分布處理結構，具有學習能力、泛化能力，
功能：聯想記憶功能、非線性映射功能、分類與識別功能、知識處理功能，
詳細介紹：一篇文章“簡單”認識《人工神經網路》(更新版)
目錄大綱：
- 1 前言
- 2 人類大腦
- 3 生物神經網路
- 4 生物神經元
- 5 人工神經元
- 6 人工神經網路
- 6.1 單層神經網路
- 6.2 多層神經網路
- 6.3 前向傳播
- 6.4 損失函式
- 6.5 梯度下降方法
- 6.6 反向傳播演算法
- 7 特點
- 8 功能
- 9 小結
- 參考
單層神經網路，如下所示圖： ( ?? ω ?? )y
二、卷積神經網路
簡介
卷積神經網路（Convolutional Neural Network, CNN），通過卷積層與池化層的疊加實作對輸入資料的特征提取，最后連接全連接層實作分類，對于影像處理有出色表現，在計算機視覺中得到了廣泛的應用，
聯系
動物視覺系統對外界的感知是：
- 視覺皮層的每個神經元只回應某些特定區域的刺激（感受野）
- 從區域到全域（資訊分層處理機制）
卷積神經網路：
- 每個神經元只需對 區域影像 進行感知；
- 在更高層將區域的資訊綜合起來，得到全域資訊；
結構：主要由 卷積層+池化層+全連接層 組成的，
應用：影像分類、目標檢測、目標跟蹤、語意分割、實體分割等，
詳細介紹：一篇文章“簡單”認識《卷積神經網路》(更新版)
目錄大綱：
- 1 前言
- 2 基于什么提出卷積神經網路？
- 3 卷積（Convolution）
- 3.1 卷積操作
- 3.2 多層卷積層
- 4 池化（Pooling）
- 5 全連接層
- 6 特征維度變化
- 7 CNN核心思想——引數共享
- 8 優勢
- 9 經典的卷積神經網路
- 10 卷積神經網路應用
- 參考
基本卷積神經網路，如下所示圖： ( ?? ω ?? )y
三、回圈神經網路
簡介：回圈神經網路（Recurrent Neural Networks，RNN），是一種反饋網路，模擬“人腦記憶功能”，常用于語言識別、機器翻譯、視頻分析、生成影像描述等，
背景：人工神經網路、卷積神經網路是前饋網路；前饋神經網路是一個靜態網路，資訊的傳遞是單向的，網路的輸出只依賴于當前的輸入，不具備記憶能力，前饋神經網路處理的資料是一個一個輸入的，前后資料沒有關系的，實際生活中，很多資料都是有背景關系相關性的，這些資料稱為序列資料；處理的時候，不能只考慮當前的輸入就進行判斷，需要考慮前后之間關系，
這時需要使用“回圈神經網路”，它能有效處理序列特性的資料，它能挖掘資料中的時序資訊以及語意資訊，
結構：回圈神經網路由回圈體堆疊而成；
詳細介紹：一篇文章“簡單”認識《回圈神經網路》(更新版)
應用：主要在自然語言處理方向應用；
- 檔案分類和時間序列分析（識別文章的主題）
- 時間序列對比 （比較兩個檔案的相關程度）
- 序列到序列的學習（中文翻譯為英文）
- 情感分析 （推文或電影評論的情感劃分為正面或負面）
- 世間序列預測 （根據最近的天氣資料來預測未來天氣）
目錄大綱：
- 1 前言
- 2 回圈體
- 3 回圈神經網路
- 4 LSTM網路
- 5 回圈神經網路應用
- 參考
回圈體及其按時間展開后的效果： ( ?? ω ?? )y
四、生成對抗網路
簡介：生成對抗網路（GAN，generative adversarial network），是一種常用于學習類別特征的神經網路結構；主要有兩部分組成，分別是生成網路、判別網路，
背景：在監督學習中，訓練集需要大量的人工標注資料，并且需要人工判斷生成結構好壞，這個程序是高成本且低效率的；GAN能自動完成這個程序，效率高成本低，
詳細介紹：一篇文章“簡單”認識《生成對抗網路》(GAN)
應用：GAN 的應用十分廣泛，它的應用包括影像合成、影像編輯、風格遷移、影像超解析度以及影像轉換，資料增強等，
目錄大綱：
- 1 前言
- 2 生成對抗網路應用
- 2.1 風格遷移
- 2.2 影像生成
- 2.3 音樂創作
- 3 生成學習演算法
- 4 生成對抗網路
- 4.1 GAN的簡要實作流程
- 4.2 GAN演算法實作要點
- 5 MNIST 案例
- 6 GAN優點
- 7 GAN缺點
- 8 文獻學習
- 1. Generative Adversarial Networks
2. Conditional GANs
3. DCGAN
4. Improved Techniques for Training GANs
5. Pix2Pix
6. CycleGAN
7. Progressively Growing of GANs
8. BigGAN
9.NAS
生成對抗網路GAN原理圖，如下圖所示：( ?? ω ?? )y
大家加油呀~~ ( ?? ω ?? )?
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/277792.html
標籤：AI