总结各种神经网络的用处
作为一个深度学习的初学者，琳琅满目的神经网络算法让人”学不胜学”，因此在这里做一个整理，总结一下各种神经网络的用处以及学习连接，以便广大同学一起学习和自己日后参考，
本文更像是一个导航页，仅对各种算法进行简单介绍，具体原理及实现请点击参考链接进行学习。
深度神经网络DNN
深度神经网络是深度学习的基础，也是最普通的神经网络模型，由一层输入层，多层隐藏层，一层输出层构成， 一般用于普通的数据预测。
参考链接：https://zhuanlan.zhihu.com/p/29815081
; 卷积神经网络CNN
卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元， 可以应用于 语音识别 、图像处理和图像识别等领域。
参考链接：https://zhuanlan.zhihu.com/p/47184529
生成对抗网络GAN
生成对抗网络 是很热门的一种无监督算法， 他能生成出非常逼真的照片，图像甚至视频。我们手机里的照片处理软件中就会使用到它。
我们在《监督学习》中讲过，训练集需要大量的人工标注数据，这个过程是成本很高且效率很低的。而人工判断生成结果的好坏也是如此，有成本高和效率低的问题。
而 GAN 能自动完成这个过程，且不断的优化，这是一种效率非常高，且成本很低的方式。
参考连接：https://easyai.tech/ai-definition/gan/
; 循环神经网络RNN
循环神经网络对具有序列特性的数据非常有效，它能挖掘数据中的时序信息以及语义信息，利用了RNN的这种能力， 使深度学习模型在解决语音识别、语言模型、机器翻译以及时序分析等NLP领域的问题时有所突破。
我们需要重点来了解一下RNN的特点这句话，什么是序列特性呢？我个人理解，就是符合时间顺序，逻辑顺序，或者其他顺序就叫序列特性，举几个例子：
- 拿人类的某句话来说，也就是人类的自然语言，是不是符合某个逻辑或规则的字词拼凑排列起来的，这就是符合序列特性。
- 语音，我们发出的声音，每一帧每一帧的衔接起来，才凑成了我们听到的话，这也具有序列特性。
- 股票，随着时间的推移，会产生具有顺序的一系列数字，这些数字也是具有序列特性。
参考链接：https://zhuanlan.zhihu.com/p/123211148
每次看到有新的神经网络的算法都会汇总进来，目前本人仅了解过这四种，故只整理这四种，也欢迎各位同学进行指正，如果有更好的学习地址或者其他神经网络算法也希望同学们贴在评论区里一起学习讨论！
Original: https://blog.csdn.net/yangmaoda/article/details/121591320
Author: 格子6666
Title: 总结各种神经网络的用处
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691966/
转载文章受原作者版权保护。转载请注明原作者出处！