神经网络主要包括以下几种类型:
一、正向神经网络
最简单的多层感知器网络。包含输入层、隐藏层和输出层。
数据/信号只能往前传播。
神经元间的连接是全连接的。
二、卷积神经网络(CNN)
主要用于处理图像数据。
使用卷积和池化层来处理空间结构。
具有本地连接和参数共享等特点。
三、循环神经网络(RNN)
专门用来处理序列数据。
使用循环连接来捕获序列中的依赖关系。
主要用于处理自然语言和时序数据。
四、深度神经网络(DNN)
具有多 hidden layers 的神经网络。
可以学习高维非线性转换。
通过每层依次提取高级特征的方式处理数据。
五、生成对抗网络(GAN)
由两个神经网络组成:生成网络和判别网络。
通过两者竞争的方式,生成新的逼真样本。
解决无监督学习生成新数据的问题。
总的来说,神经网络主要类型有:
- 正向网络(最基础)
- 卷积网络(针对图像)
- 循环网络(针对序列)
- 深度网络(深层次特征)
- 生成对抗网络(生成新数据)
它们各自解决了不同的数据类型和任务:
- 正向网络:分类回归
- CNN:处理图像
- RNN:处理序列数据
- DNN:学习高维非线性映射
- GAN:生成新数据