[[349567]]

【51CTO.com快譯】神經網絡是識別一組數據中潛在關系的一系列算法。這些算法很大程度上有賴于人腦的運作方式。神經網絡可以適應不斷變化的輸入，生成最佳結果，無需重新設計輸出標準。在某種程度上，這些神經網絡類似生物神經元的系統。

深度學習是機器學習的重要組成部分，深度學習算法基于神經網絡。有幾種功能不同的神經網絡架構，最適合特定的應用場景。本文介紹一些最知名的架構，尤其是深度學習方面的架構。

多層感知器

多層感知器(MLP)是一類前饋人工神經網絡。感知器這個術語具體是指單個神經元模型，它是大型神經網絡的前體。

MLP包括節點的三個主要層：輸入層、隱藏層和輸出層。在隱藏層和輸出層中，每個節點都被視為使用非線性激活函數的神經元。MLP使用一種稱為反向傳播的監督式學習技術進行訓練。初始化神經網絡時，為每個神經元設置權重。反向傳播有助于調整神經元權重，以獲得更接近預期的輸出。

對于涉及表格數據集、分類預測問題和回歸預測問題的項目，MLP最理想。

卷積神經網絡

卷積神經網絡(CNN)模型處理具有網格圖案(比如圖像)的數據。它旨在自動學習特征的空間層次結構。CNN通常包括三種類型的層：卷積層、池化層和完全連接的層。

卷積層和池化層執行特征提取任務，這些提取的特征由完全連接的層映射到最終輸出中。 CNN最適合圖像處理。

圖像識別、圖像分類、對象檢測和人臉識別是CNN的一些應用場景。

遞歸神經網絡

在遞歸神經網絡(RNN)中，前一步的輸出將作為輸入被反饋回到當前步驟。RNN中的隱藏層實現這種反饋系統。該隱藏狀態可以存儲有關序列中之前步驟的一些信息。

RNN中的“內存”可幫助模型記住已計算的所有信息。反過來，它使用這些同樣的參數，以便每個輸入生成輸出，因而降低了參數的復雜性。

RNN是使用最廣泛的神經網絡類型之一，主要是由于RNN具有更強的學習能力，而且能夠執行諸如學習手寫或語言識別之類的復雜任務。RNN適用的其他一些領域包括預測問題、機器翻譯、視頻標記、文本摘要，甚至音樂創作。

深度信念網絡

深度信念網絡(DBN)使用概率和無監督學習來生成輸出。DBN由二進制潛在變量、無向層和有向層組成。DBN有別于其他模型，原因是每一層都按順序進行調節，每一層都學習整個輸入。

在DBN中，每個子網的隱藏層都是下一個的可見層。這種組合可以實現快速的逐層無監督訓練過程：對比差異應用于每個子網，從最低可見層開始。貪婪的學習算法用于訓練DBN。學習系統每次取一層。因此，每一層收到不同版本的數據，每一層都使用前一層的輸出作為其輸入。

DBN主要應用于圖像識別、視頻識別和運動捕獲數據。

受限玻爾茲曼機

玻爾茲曼機(RBM)是一種生成式非確定性(隨機)神經網絡，可學習其輸入集的概率分布。RBM是組成深度信念網絡構建模塊的淺度兩層神經網絡。RBM中的第一層名為可見層或輸入層，第二層名為隱藏層。它由名為節點的類似神經元的單元組成;節點跨層相互連接，但不在同一層內。

RBM通常用于降維、推薦系統和主題建模等應用場景。不過近年來，生成式對抗網絡(GAN)在漸漸取代RBM。

原文標題：Top 5 Neural Network Models For Deep Learning & Their Applications，作者：Shraddha Goled

【51CTO譯稿，合作站點轉載請注明原文譯者和出處為51CTO.com】