DL:深度学习模型概览(包括DNN、CNN、RNN等)的简介、网络结构简介、使用场景对比之详细攻略

举报
一个处女座的程序猿 发表于 2021/03/27 01:38:54 2021/03/27
【摘要】 DL:神经网络所有模型(包括DNN、CNN、RNN等)的简介(概览)、网络结构简介、使用场景对比之详细攻略       目录 神经网络所有模型的简介及其总结 神经网络所有模型的简介(概览) 神经网络算法之DNN、CNN、RNN使用场景对比         神经网络所有模型的简介及其总结        FF【前馈神经网络】和 RNN【循环神经网络】是...

DL:神经网络所有模型(包括DNN、CNN、RNN等)的简介(概览)、网络结构简介、使用场景对比之详细攻略

 

 

 

目录

神经网络所有模型的简介及其总结

神经网络所有模型的简介(概览)

神经网络算法之DNN、CNN、RNN使用场景对比


 

 

 

 

神经网络所有模型的简介及其总结

       FF【前馈神经网络】和 RNN【循环神经网络】是相对的概念。backpropagation是一类训练方法。

 

 

神经网络所有模型的简介(概览)

DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(一)
DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(二)
DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(三)
DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(四)
DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(五)
DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(六)

 

 

神经网络算法之DNN、CNN、RNN使用场景对比

1、DNN:基于全连接层【Affine层】的网络的例子

          全连接的神经网络中,【Affine层】后跟着【激活函数层,ReLU或Sigmoid】。这里堆叠了4 层【Affine→ReLU】组合,然后第5层是【Affine层】,最后由【Softmax层】输出最终结果(概率)。

2、CNN:新增了【Convolution层】和【Pooling层】,图中用灰色的方块表示

          CNN 中新增了【Convolution层】、【Pooling层】。CNN 的层的连接顺序是【Convolution→ReLU→(Pooling)】(Pooling 层有时会被省略)。这可以理解为之前的【Affine→ReLU】连接被替换成了【Convolution→ReLU→(Pooling)】连接。还需要注意的是,图中CNN,靠近输出的层(倒数第二层)中使用了之前的【Affine→ReLU】组合。此外,最后的输出层中使用了之前的【Affine→Softmax】组合。这些都是一般的CNN中比较常见的结构。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

文章来源: yunyaniu.blog.csdn.net,作者:一个处女座的程序猿,版权归原作者所有,如需转载,请联系作者。

原文链接:yunyaniu.blog.csdn.net/article/details/87869765

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

举报
请填写举报理由
0/200