神經(jīng)網(wǎng)絡(luò)技術(shù)起源于上世紀(jì)五、六十年代，當(dāng)時叫感知機（perceptron），擁有輸入層、輸出層和一個隱含層。輸入的特征向量通過隱含層變換達(dá)到輸出層，在輸出層得到分類結(jié)果。早期感知機的推動者是Rosenblatt。（扯一個不相關(guān)的：由于計算技術(shù)的落后，當(dāng)時感知器傳輸函數(shù)是用線拉動變阻器改變電阻的方法機械實現(xiàn)的，腦補一下科學(xué)家們扯著密密麻麻的導(dǎo)線的樣子…）

但是，Rosenblatt的單層感知機有一個嚴(yán)重得不能再嚴(yán)重的問題，即它對稍復(fù)雜一些的函數(shù)都無能為力（比如最為典型的“異或”操作）。連異或都不能擬合，你還能指望這貨有什么實際用途么o(╯□╰)o

隨著數(shù)學(xué)的發(fā)展，這個缺點直到上世紀(jì)八十年代才被Rumelhart、Williams、Hinton、LeCun等人（反正就是一票大牛）發(fā)明的多層感知機（multilayerperceptron）克服。多層感知機，顧名思義，就是有多個隱含層的感知機（廢話……）。好好，我們看一下多層感知機的結(jié)構(gòu)：

多層感知機可以擺脫早期離散傳輸函數(shù)的束縛，使用sigmoid或tanh等連續(xù)函數(shù)模擬神經(jīng)元對激勵的響應(yīng)，在訓(xùn)練算法上則使用Werbos發(fā)明的反向傳播BP算法。對，這貨就是我們現(xiàn)在所說的神經(jīng)網(wǎng)絡(luò)NN——神經(jīng)網(wǎng)絡(luò)聽起來不知道比感知機高端到哪里去了！這再次告訴我們起一個好聽的名字對于研（zhuang）究（bi）很重要！

多層感知機解決了之前無法模擬異或邏輯的缺陷，同時更多的層數(shù)也讓網(wǎng)絡(luò)更能夠刻畫現(xiàn)實世界中的復(fù)雜情形。相信年輕如Hinton當(dāng)時一定是春風(fēng)得意。

多層感知機給我們帶來的啟示是，神經(jīng)網(wǎng)絡(luò)的層數(shù)直接決定了它對現(xiàn)實的刻畫能力——利用每層更少的神經(jīng)元擬合更加復(fù)雜的函數(shù)[1]。

（Bengio如是說：functions that can be compactly

represented by a depth k architecture might require an exponential number of

computational elements to be represented by a depth k ? 1 architecture.）

即便大牛們早就預(yù)料到神經(jīng)網(wǎng)絡(luò)需要變得更深，但是有一個夢魘總是縈繞左右。隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，優(yōu)化函數(shù)越來越容易陷入局部最優(yōu)解，并且這個“陷阱”越來越偏離真正的全局最優(yōu)。利用有限數(shù)據(jù)訓(xùn)練的深層網(wǎng)絡(luò)，性能還不如較淺層網(wǎng)絡(luò)。同時，另一個不可忽略的問題是隨著網(wǎng)絡(luò)層數(shù)增加，“梯度消失”現(xiàn)象更加嚴(yán)重。具體來說，我們常常使用sigmoid作為神經(jīng)元的輸入輸出函數(shù)。對于幅度為1的信號，在BP反向傳播梯度時，每傳遞一層，梯度衰減為原來的0.25。層數(shù)一多，梯度指數(shù)衰減后低層基本上接受不到有效的訓(xùn)練信號。

2006年，Hinton利用預(yù)訓(xùn)練方法緩解了局部最優(yōu)解問題，將隱含層推動到了7層[2]，神經(jīng)網(wǎng)絡(luò)真正意義上有了“深度”，由此揭開了深度學(xué)習(xí)的熱潮。這里的“深度”并沒有固定的定義——在語音識別中4層網(wǎng)絡(luò)就能夠被認(rèn)為是“較深的”，而在圖像識別中20層以上的網(wǎng)絡(luò)屢見不鮮。為了克服梯度消失，ReLU、maxout等傳輸函數(shù)代替了sigmoid，形成了如今DNN的基本形式。單從結(jié)構(gòu)上來說，全連接的DNN和圖1的多層感知機是沒有任何區(qū)別的。

值得一提的是，今年出現(xiàn)的高速公路網(wǎng)絡(luò)（highway network）和深度殘差學(xué)習(xí)（deep residual learning）進一步避免了梯度消失，網(wǎng)絡(luò)層數(shù)達(dá)到了前所未有的一百多層（深度殘差學(xué)習(xí)：152層）[3,4]！具體結(jié)構(gòu)題主可自行搜索了解。如果你之前在懷疑是不是有很多方法打上了“深度學(xué)習(xí)”的噱頭，這個結(jié)果真是深得讓人心服口服。

我們看到全連接DNN的結(jié)構(gòu)里下層神經(jīng)元和所有上層神經(jīng)元都能夠形成連接，帶來的潛在問題是參數(shù)數(shù)量的膨脹。假設(shè)輸入的是一幅像素為1K*1K的圖像，隱含層有1M個節(jié)點，光這一層就有10^12個權(quán)重需要訓(xùn)練，這不僅容易過擬合，而且極容易陷入局部最優(yōu)。另外，圖像中有固有的局部模式（比如輪廓、邊界，人的眼睛、鼻子、嘴等）可以利用，顯然應(yīng)該將圖像處理中的概念和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合。此時我們可以祭出題主所說的卷積神經(jīng)網(wǎng)絡(luò)CNN。對于CNN來說，并不是所有上下層神經(jīng)元都能直接相連，而是通過“卷積核”作為中介。同一個卷積核在所有圖像內(nèi)是共享的，圖像通過卷積操作后仍然保留原先的位置關(guān)系。兩層之間的卷積傳輸?shù)氖疽鈭D如下： 通過一個例子簡單說明卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。假設(shè)圖3中m-1=1是輸入層，我們需要識別一幅彩色圖像，這幅圖像具有四個通道ARGB（透明度和紅綠藍(lán)，對應(yīng)了四幅相同大小的圖像），假設(shè)卷積核大小為100*100，共使用100個卷積核w1到w100（從直覺來看，每個卷積核應(yīng)該學(xué)習(xí)到不同的結(jié)構(gòu)特征）。用w1在ARGB圖像上進行卷積操作，可以得到隱含層的第一幅圖像；這幅隱含層圖像左上角第一個像素是四幅輸入圖像左上角100*100區(qū)域內(nèi)像素的加權(quán)求和，以此類推。同理，算上其他卷積核，隱含層對應(yīng)100幅“圖像”。每幅圖像對是對原始圖像中不同特征的響應(yīng)。按照這樣的結(jié)構(gòu)繼續(xù)傳遞下去。CNN中還有max-pooling等操作進一步提高魯棒性。

?

轉(zhuǎn)載于:https://www.cnblogs.com/timlong/p/11088469.html

總結(jié)

以上是生活随笔為你收集整理的CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的内部网络结构区别...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。