神經網絡詳解（常見的神經網絡）

2023-05-29 09:24:59

Feed forward neural networks (FF or FFNN) and perceptrons(P)

前向反饋網絡和感知器是直線向前的，信息從前向後（分別是輸入和輸出）傳播。神經網絡通常被描述成多層，其中每一層都由輸入、隱藏層、輸出單元構成。一層單一網絡內部絕對不會有任何連接而通常在相鄰的層之間，神經元是完全相連的（每層的每個神經元都與另外一層的每個神經元相連接）。最簡單某種程度上也是最實用的網絡由兩個輸入單元和一個輸出單元，這種網絡可以被用作邏輯門模型。通常FFNNs是通過向後傳播訓練的，給網絡成組的數據集包括「輸入」和「預想的輸出」。這種方式稱為有監督學習，與無監督學習相反。誤差被向後傳播，而誤差可以通過MSE或者線性誤差來度量。假設網絡由足夠多的隱藏神經元，它理論上來說總是可以模擬輸入和輸出之間的關係的。實際上這種網絡本身用途很首先，但是它們通常和別的網絡合併來生成其他類型的網絡。

Hopfield network(HN)

霍普菲爾網絡的每個神經元都與其他神經元相連接；它是一碗完全糾纏在一起的義大利麵。每個節點在訓練前都是輸入點，然後訓練中都是隱藏節點，訓練結束後又是輸出節點。這些網絡會設定神經元的值為所需要的模式，然後計算全職，通過這種方法來訓練模型。在這之後權重不會再改變。一旦訓練成一種或多種模式，網絡會一直收斂到一種學習好的模式，因為網絡只有在這些狀態下才是穩定的。注意到它不會一直符合所要的狀態。它能夠部分穩定是因為全局的「能量」或「溫度」在訓練中是逐步減少的。

Convolutionalneural networks (CNN or DCNN)

卷積神經網絡和大多數其他類型的網絡都很不相同。他們最初用來做圖像處理，後來也用在其他類型的輸入數據比如音頻。一個典型的CNN應用是，當你給網絡輸入圖像，網絡會對數據進行分類，例如如果你輸入的是貓的照片，它會給出標籤「貓」。

CNN通常以一個輸入「掃描儀」開始，而它並不會在理科解析所有的訓練數據。舉例來說，輸入一個200*200像素的圖像，你肯定不想要有40000節點的一層。相反，你建立一個掃描輸入層比如20*20，把大圖像左上角的20*20像素進行掃描。一旦前20*20經過處理，逐像素向右移動這個掃描器來掃描所有的剩餘圖像。注意到，我們並沒有把處理過的20*20像素挪開，也沒有把圖像分成20*20的小塊，而是使用這個20*20的掃描器對所有像素進行掃描。輸入數據然後進行卷積層而不是普通曾，意味著不是所有的節點都和其他節點相連接。每個節點都只和她最近的節點相連（遠近取決於具體的實現，但通常不會很多）。

這些卷積層也傾向於變小當它們越老越深的時候，通常是輸入大小最容易整除的因子（如20可能變成10，然後5）。2的冪在這裡會經常被使用，因為它們能夠很完全的分離：32,16,8,4,2,1。除了這些卷積層，通常還有特徵池化層。池化是一種濾出細節部分的方法：最常用的池化技術是極大值池化，比如我們對2*2的像素，返回其R值最大的像素。對音頻使用CNN，我們只需要輸入音頻波，然後一點一點增加長度。實際中對CNN的使用通常在末端增加一個FFNN用來深入處理數據，通常要能處理高度非線性抽象分類問題。CNN FFNN這種網絡通常稱為DCNN，但是DCNN和CNN的名稱和縮寫通常可以互相代替。

Deconvolutional networks (DN)

去卷積神經網絡，也稱作逆圖形網絡，是卷積神經網絡的逆過程。對該網絡輸入單詞「貓」，網絡通過比較它生成的圖片和真是貓圖片，輸出它認為滿足輸入條件貓的圖片。DNN可以和FFNN結合一起使用。

Generativeadversarialnetworks (GAN)

生成對抗網絡是一種不同的網絡，他們是雙胞胎：兩個網絡一起工作。對抗生成網絡有任何兩個網絡組成（通常是FF和CNN的組合），其中一個負責生成內容另一個要判斷內容。判別網絡要麼接受訓練數據，要麼接受生成網絡生成的數據作為輸入。

判別網絡的預測精度被當做生成網絡的誤差的一部分。這樣產生一組對抗，當判別網絡能越來越精細的判別生成數據和真實數據，生成網絡也會生成越來越難以預測的數據。這種方式在某種程度上能很好的運行時因為再複雜的帶噪聲的模式最終都是可預測的，但是和輸入數據有相似特徵的生成數據卻很難學習判別。

對抗生成網絡非常難訓練，因為我們不僅僅是訓練兩個網絡（每一個都有他們各自的問題），而且要處理他們之間的動態平衡關係。如果預測或生成網絡比另一個網絡好，那麼對抗生成網絡將不會收斂，因為本質上這兩個網絡就存在著分歧。

Recurrent neural networks(RNN)

周期神經網絡是帶時間周期的FFNN：他們不是無狀態的；他們在時間上有相關性。神經元不僅從輸入接收信息，而且還要接收他們自身前一個周期點的信息。這意味著，我們輸入和訓練網絡的過程是很重要的：先輸入「牛奶」後「餅乾」與先「餅乾」後「牛奶」，可能會產生不同的結果。

RNN一個重要的問題是退化（或爆炸式）梯度問題，依賴於激活函數的使用，信息隨著時間快速損失，就像非常深的FFNN隨著深度的增加損失信息一樣。直觀上這不會帶來很大問題因為他們僅僅是權重而不是神經元狀態，但是帶時間的權重實際上就是存儲信息的地方；如果權重取值為0或者1 000 000，之前的狀態就沒多大用處了。

RNN原則上訥訥夠在很多領域使用，儘管大多數數據形式實際上都沒有時間線（比如不想聲音和視頻），但是它們都可以被表示成序列。一副圖片或一串文字可以看做在每個時間點上一個像素或者一個字符，所以依賴時間的權重是在序列中某個之前出現的值上使用，而不是實際上多少秒之前發生的。通常，周期性網絡對於演進或補全信息非常有效，比如自動補全。

#今日頭條小助手###深度學習##人工智慧#