【深度学习】MLP,CNN,RNN基本定义与区别

学习记录

定义

MLP

multilayer perceptron(多层感知机器)。常用于处理简单逻辑数学问题。

CNN

Convolutional neural network(卷积神经网络)。适用于视频和图片的处理工作

RNN

recurrent neural network(递归神经网络)。常用于预测数据。
在RNN中，还有SimpleRNN，RNN等的神经元模型结构。如下图所示

模型框架图

以手写数据集图片为例子，分别展示三种类型的网络结构
对于MNIST的一张输入为例子，三种模型对应的输入格式如下

具体模型架构

区别

RNN与前两个输入大不同，实际的input_shape = (timesteps,input_dim)或者是时间步长的输入多维向量序列。

代码实现

MLP

import numpy as np
from tensorflow.keras.models import Sequential 
from tensorflow.keras.layers import Dense,Activation,Dropout
from tensorflow.keras.utils import to_categorical,plot_model
from tensorflow.keras.datasets import mnist

# 加载数据集
(x_train,y_train),(x_test,y_test)=mnist.load_data()
# 计算类别数量
num_labels = len(np.unique(y_train))
# 转换为独热编码
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)
# 图片维度
image_size = x_train.shape[1]
input_size = image_size * image_size 

# 转换大小和归一化
x_train = np.reshape(x_train,[-1,input_size])
x_train = x_train.astype("float32")/255 
x_test = np.reshape(x_test,[-1,input_size])
x_test = x_test.astype("float32")/255

# 模型参数
batch_size = 128
hidden_units = 256
dropout = 0.45

# 模型时三层感知机，每层是relu激活函数和dropout
model = Sequential()
'''输入层'''
model.add(Dense(256,input_dim = input_size))
model