主流深度学习算法简介

**

深度学习算法简介**

1、 深度学习主流算法包括:

1.1 CNN (卷积神经网络)
卷积神经网络（CNN）是最常见的深度学习方法之 一。自20 世纪80 年代后期以来，CNN 已应用于视觉识别与分类任务，特别是LeCun 等在1998 年提出了LeNet-5，基于CNN 的相关研究随即成为研究热点，伴随图形处理（Graphical Processing Unit，GPU）计算能力的发展和大量标记数据集的出现，CNN 在算法和架构上不断改进，在各个应用场景取得了突破。
图像分类是计算机视觉中的基本问题，通常使用特征提取和分类器判别的技术架构来解决图像的分类问题。传统图像分类方法的准确性在很大程度上取决于所提取的特征，往往存在特征设计困难、面向复杂任务具有局限性、特征间的层次关系设计困难进而导致算法的泛化性能较弱等弊端。近年来的研究表明，随着数据获取方式的简化和大数据集的出现，在GPU 等芯片技术的快速发展，深度学习可以有效解决上述瓶颈问题。2012年，Krizhevsky 等使用扩展了深度的CNN 架构在ImageNet大规模视觉识别挑战竞赛中取得了最佳的分类效果，随即CNN 受到研究者们的重视，一系列网络模型的提出进一步推动了CNN 的深入研究与广泛应用。目前，CNN 已经成为大多数图像识别、分类和检测任务的领先架构，越来越多的网络架构也相继问世，包括AlexNet、Clarifai、SPP、VGG、GoogleNet、FCN、U-Net等。同时，梯度下降、参数优化策略、权重共享以及近年来神经网络架构优化（Neural ArchitectureOptimization，NAO）和元学习（meta-learning）等理论的迅速发展，使得CNN 在复杂