各神经网络文献出处整理(附下载链接)

常见神经网络出处及下载链接

整理下这些年主要的神经网络文献,包括了三大特征提取器(CNN/RNN/Transformer)、GAN等一些混合模型。不定期补充更新

总览

序号网络结构文献出处年份
1RNN(序列模型起源)Learning representations by back-propagating errors1986
2CNN(卷积网络起源)Generalization and Network Design Strategies1989
3LSTMLong short-term memory1997
4BiLSTMFramewise phoneme classification with bidirectional LSTM and other neural network architectures2005
5AlexNetImageNet Classification with Deep Convolutional Neural Networks2012
6VGGNetVERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION2014
7GRULearning Phrase Representations Using RNN Encoder–Decoder for Statistical Machine Translation2014
8GANGenerative Adversarial Networks2014
9CGANConditional Generative Adversarial Nets2014
10CLDNNConvolutional, Long Short-Term Memory, fully connected Deep Neural Networks2015
11InceptionRethinking the Inception Architecture for Computer Vision2016
12ResNetDeep Residual Learning for Image Recognition2016
13GCN(图卷积)Semi-supervised Classification with Graph Convolutional Networks2016
14InfoGANInfogan: Interpretable representation learning by information maximizing generative adversarial nets2016
15YOLO v1版You Only Look Once: Unified, Real-Time Object Detection2016
16DenseNetDensely Connected Convolutional Networks2017
17Transformer(起源)Attention is all you need2017
18Mask R-CNNMask R-CNN2017
19Vision Transformer (ViT)An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale2020
20Pooling-based Vision Transformer (PiT)Rethinking spatial dimensions of vision transformers2021
  • 11
    点赞
  • 71
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
DNN(Deep Neural Network,深度神经网络)是一种基于多层神经元构成的复杂神经网络模型,它在计算机视觉、语音识别、自然语言处理等领域表现出了强大的性能。以下是一些关于DNN的文献综述: 1. “LeNet-5, convolutional neural networks”(1998):由Yann LeCun等人提出,是第一个成功应用卷积神经网络(CNN)解决手写数字识别任务的模型。该文献介绍了LeNet-5的结构和训练过程,为后来的深度神经网络奠定了基础。 2. “Deep learning”(2015):由Ian Goodfellow等人撰写,是深度学习领域的标志性文献之一。该文献介绍了深度学习的基础概念、不同结构和训练方法,并且对深度学习在计算机视觉、语音处理、自然语言处理等领域的应用进行了总结。 3. “ImageNet classification with deep convolutional neural networks”(2012):由Alex Krizhevsky等人在ImageNet大规模图像分类竞赛中提出。该文献介绍了一个基于卷积神经网络的深度学习模型,达到了当时最好的图像分类结果,并且引发了“深度学习革命”。 4. “Playing Atari with deep reinforcement learning”(2013):由Volodymyr Mnih等人提出,探讨了深度强化学习的应用。该文献介绍了一个基于DNN的Q-learning算法,在Atari游戏上取得了超越人类专家的表现。 5. “Sequence to sequence learning with neural networks”(2014):由Ilya Sutskever等人提出,介绍了一种用于序列到序列学习的DNN模型。该模型以RNN为基础,被广泛应用于机器翻译、语音识别等领域。 总之,DNN作为一种强大的机器学习模型,在深度学习领域取得了重大的突破并应用于各个领域,相信它将继续发挥更大的潜力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

sinysama

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值