目录
1. 人工神经网络ANN(NN)( Artificial Neural Network)
2. 卷积神经网络CNN(Convolutional Neural Network)
3. 循环神经网络RNN(Recurrent Neural Network)
4. 生成式对抗网络GAN(Generative adversarial network)
深度学习——网络分类
1. 人工神经网络ANN(NN)( Artificial Neural Network)
原理:
是一种模仿生物神经网络结构和功能的计算模型。人脑可以看做是一个生物神经网络,由众多的神经元接而成。各个神经元传递复杂的电信号,树突接收到输入信号,然后对信号进行处理,通过轴突输出信号。
当电信号通过树突进入到细胞核时,会逐渐聚集电荷。达到一定的电位后,细胞就会被激活,通过轴突发出电信号。
2. 卷积神经网络CNN(Convolutional Neural Network)
应用:
常用于影像数据进行分析处理。
例如:图像分类(image classification)、目标检测目标检测(object detection)及语义分割(semantic segmentation)
3. 循环神经网络RNN(Recurrent Neural Network)
应用:
文本分析或自然语言处理
4. 生成式对抗网络GAN(Generative adversarial network)
原理:
模型通过框架中(至少)两个模块:生成模型(Generative Model, G)和判别模型(Discriminative Model, D)的互相博弈学习产生相当好的输出。
原始 GAN 理论中,并不要求 G 和 D 都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。
一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。
应用:
常用于数据生成或非监督式学习
深度学习——数据类型
1. 结构化数据
整齐地放入数据表的数据,包括数字、短文本和日期等离散数据类型。
例如:在房价预测中,可能有一个数据库,有专门的几列数据告诉你卧室的大小和数量,这就是结构化数据。或预测用户是否会点击广告,你可能会得到关于用户的信息,比如年龄以及关于广告的一些信息,然后对你的预测分类标注,这就是结构化数据。即每个特征都有一个很好的定义。
2. 非结构化数据
非结构化数据无法整齐地放入数据表,例如:音频和视频文件以及大型文本文档。
有时,数字或文本数据可能是非结构化的,因为将其建模为表的做法效率低下。例如,传感器数据是恒定的数值流,但是如果创建一个包含两列(时间戳和传感器值)的表,则效率低下且不切实际。
深度学习——应用场景
1. 在线广告
通过在网站上输入一个广告的相关信息,同时也输入用户的信息,于是网站就会考虑是否向你展示广告。
2. 计算机视觉
例如:通过训练多种标签的图片数据来生成一个类别识别模型(分类器),当你给出一张照片,模型可以给这张照片打标签。
3. 语音识别
例如:可以将音频片段输入神经网络,然后让它输出文本记录。
4. 机器翻译
利用神经网络输入英语句子,接着输出一个中文句子。
5. 自动驾驶技术
例如:可以训练一个神经网络,来告诉汽车在马路上面具体的位置,前方的路况......
6. 其它
例如:智能机器人,智慧医疗,智能安防,智能零售,智慧教育......