神经网络中的重要概念

摘自：点击打开链接

感知机：输入层、输出层和一个隐含层。

输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果；

使用离散的传输函数；

多层感知器：= 神经网络

上图展示了多层感知器的结构

使用sigmoid或tanh等连续函数模拟神经元对激励的相应

训练算法：反向传播BP算法

神经网络的层数直接决定了它对现实的刻画能力。但是随着神经网络层数的加深，优化函数越来越容易陷入局部最优解。

同时，另一个不可忽略的问题是随着网络层数增加，“梯度消失”现象更加严重。即，对于幅度为1的信号，在BP反向传播时，每传递一层，梯度衰减为原来的0.25。层数一多，梯度指数衰减后底层基本上接收不到有效的训练信号。

深度学习：

利用预训练方法缓解了局部最优解问题，将隐含层推动到更多层；

为了克服梯度消失，ReLU、maxout等传输函数代替了sigmoid，形成了DNN的基本形式；

单从结构上来说，全连接的DNN和上图的多层感知器是没有任何区别的。

存在的问题：全连接DNN 的结构里下层神经元和所有上层神经元都能够形成连接，导致的潜在问题是参数数量的膨胀。

CNN卷积神经网络：

图像中有固有的局部模式（比如轮廓、边界、眼睛）可以利用，显然应该将图像处理中的概念和神经网络技术形结合。  得到卷积神经网络CNN；

CNN中，不是所有上下层神经元都能直接相连，而是通过“卷积核”作为中介。同一个卷积核在所有图像内是共享的，图像通过卷积操作后仍然保留原来的位置关系；

RNN 循环神经网络：

应对全连接的DNN 存在的一个问题：无法对时间序列上的变化进行建模。样本出现的时间顺序对于自然语言处理、语音识别、手写体识别等应用非常重要。