【神经网络】综合篇——人工神经网络、卷积神经网络、循环神经网络、生成对抗网络一、人工神经网络

举报
一颗小树x 发表于 2021/04/21 00:52:24 2021/04/21
【摘要】 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...

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:

  1. 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)
  2. 从局部到全局(信息分层处理机制)

卷积神经网络

  1. 每个神经元只需对 局部图像 进行感知;
  2. 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 •́ )✧

 

 

文章来源: blog.csdn.net,作者:一颗小树x,版权归原作者所有,如需转载,请联系作者。

原文链接:blog.csdn.net/qq_41204464/article/details/115797030

【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