一、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

?

二、神經(jīng)網(wǎng)絡(luò)的變種

　 ?①convolutional neural network（卷積神經(jīng)網(wǎng)絡(luò)）---->good for image recognition（擅長圖像識別）

　 ②long short-term memory network（長短期記憶網(wǎng)絡(luò)）---->good forspeech recognition（擅長語音識別）

　 ③最簡單的原版---->多層感知機（MLP）

?

三、神經(jīng)網(wǎng)絡(luò)的介紹

　　神經(jīng)元網(wǎng)絡(luò)之名來源于人的大腦，那么它的神經(jīng)元指的是什么呢？相互的神經(jīng)元之間又是如何連接的呢？

　　

　　對于神經(jīng)元而言，我們可以理解為一個用來裝數(shù)字的容器，裝著的數(shù)字在0到1之間：

?例子：

神經(jīng)元中裝著的數(shù)字代表對應(yīng)的像素的灰度值，其中0代表純黑像素，1代表純白像素，我們把神經(jīng)元里裝著的數(shù)叫做‘激活值（activation）’

神經(jīng)網(wǎng)絡(luò)的最后一層的十個神經(jīng)元分別代表0到9這十個數(shù)字，它們的激活值同理都在0到1之間，這些值代表系統(tǒng)認為輸入的圖像對應(yīng)著的哪個數(shù)字的可能性

網(wǎng)絡(luò)中間還有幾層稱之為‘隱含層’，里面進行著處理識別數(shù)字的具體工作

神經(jīng)網(wǎng)絡(luò)工作的時候，上一層的激活值決定下一層的激活值，所以說神經(jīng)網(wǎng)絡(luò)處理信息的核心機制是一層的激活值是通過怎樣的運算，算出下一層的激活值的。某種程度上這是模仿生物中神經(jīng)元組成的網(wǎng)絡(luò)：某些神經(jīng)元的激發(fā)就會促使另一些神經(jīng)元的激發(fā)。

對于一個已經(jīng)訓(xùn)練好了的神經(jīng)網(wǎng)絡(luò)（可以識別數(shù)字）而言，大體過程是這樣的：

①如果你的輸入圖像是28x28=784，那么首先在你的網(wǎng)絡(luò)輸入層的784個神經(jīng)元處輸入了784個代表輸入圖像各像素的灰度值：

?

?②接著，這一層激活值圖案會讓下一層的激活值產(chǎn)生某些特殊的圖案（注：這里的‘圖案’pattern等價于‘模式識別’中的‘模式’）

?

四、為何就覺得這種層狀結(jié)構(gòu)就可以做到智能判斷呢？

　　當人類在識別數(shù)字的時候，我們是在組合數(shù)字的各個部件：

在理想情況下，我們希望倒數(shù)第二層中的各個神經(jīng)元能分別對應(yīng)一個筆畫部件，這樣一來當我們輸入一個9或者8這種帶圈的數(shù)字時，某一個神經(jīng)元的激活值就會接近1，而且我并不特指某種樣子的圈，而是希望這種所有位于圖像頂部的圓圈圖案都能點亮這個神經(jīng)元，這樣一來，從第三層到最后一層，我們只要學(xué)習(xí)哪些部件能組合出哪個數(shù)字即可。

識別圓圈的任務(wù)同理可以拆分成更細微的問題，一種合理的方法便是首先識別出數(shù)字圖形中更小的邊：

于是我們希望也許網(wǎng)絡(luò)第二層的各個神經(jīng)元就能對應(yīng)上各種各樣的短邊：

如果神經(jīng)網(wǎng)絡(luò)真的能夠識別出這類邊緣和圖案，它就能很好的運用到其他的圖像識別任務(wù)上來。

甚至不光是圖像識別，世界上各種人工智能的任務(wù)都可以轉(zhuǎn)化為抽象元素，一層層的抽絲剝繭，就比如語音識別：

?語音識別就是從原音頻中識別出特殊的聲音，組合成特定的音節(jié)，再組合成單詞再組合成短語，以及更加抽象的概念

?

轉(zhuǎn)載于:https://www.cnblogs.com/koushihao/p/7905508.html

總結(jié)

以上是生活随笔為你收集整理的深度学习之神经网络的结构的全部內(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。