Github相關地址
AIStudio地址

常見的深度學習網絡結構

全連接網絡結構

??全連接(Fully Connected, FC)網絡結構是最基本的神經網絡/深度神經網絡層，全連接層的每一個節點都與上一層的所有節點相連。全連接層在早期主要用于對提取的特征進行分類，然而由于全連接層所有的輸出與輸入都是相連的，一般全連接層的參數是最多的，這需要相當數量的存儲空間和計算空間。參數的冗余問題使單純的FC組成的常規神經網絡很少會被應用于較為復雜的場景中。常規神經網絡一般用于依賴所有特征的簡單場景，比如房價預測模型和在線廣告推薦模型使用的都是相對標準的全連接神經網絡。

卷積神經網絡

??卷積神經網絡(CNN)是一種專門用來處理具有類似網絡結構的數據的神經網絡，如圖像數據（可以看作二維的像素網格）。與FC不同的地方在于，CNN的上下層神經元并不能都直接連接，而是通過 “卷積核” 作為中介，通過“核”的共享大大減少了隱藏層的參數。簡單的CNN是一系列層，并且每個層都通過一個可微函數將一個量轉化為另一個量，這些層主要包括卷積層( Convolutional Layer )、池化層( Pooling Layer )和全連接層( FC Layer )。卷積網絡在諸多應用領域，尤其是大型圖像處理的場景都取得了很好的應用效果。
??如圖展示了CNN的結構形式，一個神經元以三位排列組成卷積神經網路 （寬度、高度、深度），如其中一個層所展示的，CNN的每一層都將3D的輸入量轉化為3D的輸出量。

循環神經網絡

??循環神經網絡(RNN)也是常用的深度學習模型之一，就如CNN是專門用于處理網絡化數據（例如圖像）的神經網絡，RNN是一種 **專門處理序列數據的神經網絡** 。如音頻中含有時間成分，因此音頻可以被表示為一維時間序列；語言中的單詞都是逐個出現的，因此語言的表示方式也是序列數據。RNN在機器翻譯、語音識別等領域均有非常好的表現。

總結

以上是生活随笔為你收集整理的DeepLearning based on PaddlePaddle系列二的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。