无法访问你试图使用的功能所在的网络位置。是什么原因?
703
2022-05-29
前言
本文综合整理常用的神经网络,包括生物神经网络、人工神经网络、卷积神经网络、循环神经网络、生成对抗网络;参考了许多高校的课程、论文、博客和视频等。文章的结构是先进行概念了解,然后结合图片、结构图、一步一步详细讲解;大家要不看看? ( •̀ ω •́ )y
一、人工神经网络
简介:人工神经网络 (Artificial Neural Network, ANN),由人工神经元构成的网络,模拟人类的大脑;它模拟生物过程以反映人脑某些特征的计算结构。
联系:人工神经元模拟生物神经元;人工神经网络模拟人类的大脑,模拟生物神经网络。
特点:人工神经网络是一个并行、分布处理结构,具有学习能力、泛化能力。
功能:联想记忆功能、非线性映射功能、分类与识别功能、知识处理功能。
详细介绍:一篇文章“简单”认识《人工神经网络》(更新版)
目录大纲:
1 前言
2 人类大脑
3 生物神经网络
4 生物神经元
5 人工神经元
6 人工神经网络
6.1 单层神经网络
6.2 多层神经网络
6.3 前向传播
6.4 损失函数
6.5 梯度下降方法
6.6 反向传播算法
7 特点
8 功能
9 小结
参考
单层神经网络,如下所示图: ( •̀ ω •́ )y
二、卷积神经网络
简介
卷积神经网络(Convolutional Neural Network, CNN),通过卷积层与池化层的叠加实现对输入数据的特征提取,最后连接全连接层实现分类。对于图像处理有出色表现,在计算机视觉中得到了广泛的应用。
联系
动物视觉系统对外界的感知是:
视觉皮层的每个神经元只响应某些特定区域的刺激(感受野)
从局部到全局(信息分层处理机制)
卷积神经网络:
每个神经元只需对 局部图像 进行感知;
在更高层将局部的信息综合起来,得到全局信息;
结构:主要由 卷积层+池化层+全连接层 组成的。
应用:图像分类、目标检测、目标跟踪、语义分割、实例分割等。
详细介绍:一篇文章“简单”认识《卷积神经网络》(更新版)
目录大纲:
1 前言
2 基于什么提出卷积神经网络?
3 卷积(Convolution)
3.1 卷积操作
3.2 多层卷积层
4 池化(Pooling)
5 全连接层
6 特征维度变化
7 CNN核心思想——参数共享
8 优势
9 经典的卷积神经网络
10 卷积神经网络应用
参考
基本卷积神经网络,如下所示图: ( •̀ ω •́ )y
三、循环神经网络
简介:循环神经网络(Recurrent Neural Networks,RNN),是一种反馈网络,模拟“人脑记忆功能”,常用于语言识别、机器翻译、视频分析、生成图像描述等。
背景:人工神经网络、卷积神经网络是前馈网络;前馈神经网络是一个静态网络,信息的传递是单向的,网络的输出只依赖于当前的输入,不具备记忆能力。前馈神经网络处理的数据是一个一个输入的,前后数据没有关系的。实际生活中,很多数据都是有上下文相关性的,这些数据称为序列数据;处理的时候,不能只考虑当前的输入就进行判断,需要考虑前后之间关系。
这时需要使用“循环神经网络”,它能有效处理序列特性的数据,它能挖掘数据中的时序信息以及语义信息。
结构:循环神经网络由循环体堆叠而成;
详细介绍:一篇文章“简单”认识《循环神经网络》(更新版)
应用:主要在自然语言处理方向应用;
文档分类和时间序列分析(识别文章的主题)
时间序列对比 (比较两个文档的相关程度)
序列到序列的学习(中文翻译为英文)
情感分析 (推文或电影评论的情感划分为正面或负面)
世间序列预测 (根据最近的天气数据来预测未来天气)
目录大纲:
1 前言
2 循环体
3 循环神经网络
4 LSTM网络
5 循环神经网络应用
参考
循环体及其按时间展开后的效果: ( •̀ ω •́ )y
四、生成对抗网络
简介:生成对抗网络(GAN,generative adversarial network),是一种常用于学习类别特征的神经网络结构;主要有两部分组成,分别是生成网络、判别网络。
背景:在监督学习中,训练集需要大量的人工标注数据,并且需要人工判断生成结构好坏,这个过程是高成本且低效率的;GAN能自动完成这个过程,效率高成本低。
详细介绍:一篇文章“简单”认识《生成对抗网络》(GAN)
应用:GAN 的应用十分广泛,它的应用包括图像合成、图像编辑、风格迁移、图像超分辨率以及图像转换,数据增强等。
目录大纲:
1 前言
2 生成对抗网络应用
2.1 风格迁移
2.2 图像生成
2.3 音乐创作
3 生成学习算法
4 生成对抗网络
4.1 GAN的简要实现流程
4.2 GAN算法实现要点
5 MNIST 案例
6 GAN优点
7 GAN缺点
8 文献学习
1. Generative Adversarial Networks
2. Conditional GANs
3. DCGAN
4. Improved Techniques for Training GANs
5. Pix2Pix
6. CycleGAN
7. Progressively Growing of GANs
8. BigGAN
9.NAS
生成对抗网络GAN原理图,如下图所示:( •̀ ω •́ )y
大家加油呀~~ ( •̀ ω •́ )✧
卷积神经网络 神经网络
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。