递归神经网络(RNN),循环神经网络,是一类以序列数据为输入,在序列的演进方向进行递归确所有节点按链式连接的递归神经网络。循环神经网络在自然语言处理(Natural Language Processing, NLP),例如语音识别、语言建模、机器翻译等领域有应用。
卷积神经网络(CNN),是一种包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,卷积神经网络具有表征学习的能力,能够按照阶层结构对输入的信息进行平移不变分类,因此也被称之为平移不变人工神经网络。
LeNet-5是最早出现的卷积神经网络,随着深度学习理论的提出和数值计算设备的改进,卷积神经网络得到了快速发展,并被应用机器视觉和自然语言处理等领域。
生成对抗网络(简称GAN),新兴的网络称为强化学习(Reinforcement Learning),其中一种很具有特色的网络为生成式对抗网络(GAN)。生成网络(Generator)负责生成模拟数据;判别网络Discriminator)负责判断输入的数据是真实的还是生成的。生成网络要不断优化自己生成的数据让判别网络判断不出来,判别网络也要优化自己让自己判断得更准确。二者关系形成对抗,因此叫对抗网络。
深度卷积神经网络(DCGAN)
生成网络:卷积神经网络+反卷积神经网络(前者负责提取图像特征,后者负责根据输入的特征重新生成图像(即假数据))。
判别网络:卷积神经网络+全连接层(前者负责提取图像特征,后者负责判别真假。)
参考资料: