深度學(xué)習(xí)工程師必須要掌握的神經(jīng)網(wǎng)絡(luò)架構(gòu)是什么？深度學(xué)習(xí)工程師必須掌握的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)架構(gòu)分為四類：標(biāo)準(zhǔn)網(wǎng)絡(luò)，遞歸網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)和自動(dòng)編碼器。神經(jīng)網(wǎng)絡(luò)可用于可視化的數(shù)據(jù)包含兩個(gè)部分：每層神經(jīng)元的輸出，對(duì)應(yīng)于網(wǎng)絡(luò)中的不同輸入數(shù)據(jù)，它代表每個(gè)神經(jīng)元學(xué)習(xí)的權(quán)重，描述每個(gè)神經(jīng)元的行為，即如何響應(yīng)輸入。

　　神經(jīng)網(wǎng)絡(luò)架構(gòu)如下：

　　1、感知器

感知器是所有神經(jīng)網(wǎng)絡(luò)中最基礎(chǔ)的，是更復(fù)雜的神經(jīng)網(wǎng)絡(luò)的基本構(gòu)建塊。 它僅連接輸入單元和輸出單元。

　　2、前饋網(wǎng)絡(luò)

前饋網(wǎng)絡(luò)是感知器的集合，其中存在三種基本類型的層-輸入層，隱藏層和輸出層。 在每個(gè)連接期間，來自上一層的信號(hào)乘以權(quán)重，加到偏置上，并通過激活函數(shù)。 前饋網(wǎng)絡(luò)使用反向傳播來迭代更新參數(shù)，直到達(dá)到理想的性能為止。

　　3、殘留網(wǎng)絡(luò)（ResNet）

深度前饋神經(jīng)網(wǎng)絡(luò)的一個(gè)問題稱為消失梯度問題，即當(dāng)網(wǎng)絡(luò)太長而無法在整個(gè)網(wǎng)絡(luò)中反向傳播有用信息時(shí)。 隨著更新參數(shù)的信號(hào)通過網(wǎng)絡(luò)傳播，它逐漸減小，直到網(wǎng)絡(luò)前端的權(quán)重完全沒有改變或被利用為止。為了解決這個(gè)問題，殘差網(wǎng)絡(luò)采用了跳過連接，可以跨"跳躍的"層傳播信號(hào)。 通過使用不太容易受到影響的連接，可以減少消失的梯度問題。 隨著時(shí)間的流逝，網(wǎng)絡(luò)在學(xué)習(xí)特征空間時(shí)會(huì)學(xué)習(xí)恢復(fù)跳過的圖層，但由于其不易受到梯度消失的影響并且需要探索較少的特征空間，因此訓(xùn)練效率更高。

　　4、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）

遞歸神經(jīng)網(wǎng)絡(luò)是一種特殊類型的網(wǎng)絡(luò)，它包含循環(huán)并在其自身上遞歸，因此稱為"遞歸"。 RNN允許將信息存儲(chǔ)在網(wǎng)絡(luò)中，使用先前訓(xùn)練中的推理來做出有關(guān)即將發(fā)生的事件的更好，更明智的決策。 為此，它將先前的預(yù)測用作"上下文信號(hào)"。 由于其性質(zhì)，RNN通常用于處理順序任務(wù)，例如逐個(gè)字母生成文本或預(yù)測時(shí)間序列數(shù)據(jù)（例如股票價(jià)格）。 他們還可以處理任何大小的輸入。

　　5、長期短期記憶網(wǎng)絡(luò)（LSTM）

RNN存在問題，因?yàn)閷?shí)際上上下文信息的范圍非常有限。 給定輸入對(duì)隱藏層（因此對(duì)網(wǎng)絡(luò)輸出）的影響（反向傳播錯(cuò)誤），要么呈指數(shù)級(jí)爆發(fā)，要么隨著繞網(wǎng)絡(luò)連接循環(huán)而消失為零。 解決這個(gè)逐漸消失的梯度問題的方法是使用長短期內(nèi)存網(wǎng)絡(luò)或LSTM。這種RNN架構(gòu)是專門為解決消失的梯度問題而設(shè)計(jì)的，將結(jié)構(gòu)與存儲(chǔ)塊配合在一起。 這些模塊可以看作是計(jì)算機(jī)中的存儲(chǔ)芯片-每個(gè)模塊都包含幾個(gè)循環(huán)連接的存儲(chǔ)單元和三個(gè)門（輸入，輸出和忘記，相當(dāng)于寫入，讀取和重置）。 網(wǎng)絡(luò)只能通過每個(gè)門與單元交互，因此門學(xué)會(huì)了智能地打開和關(guān)閉，以防止梯度爆炸或消失，而且還可以通過"恒定錯(cuò)誤輪播"傳播有用的信息，并丟棄無關(guān)的存儲(chǔ)內(nèi)容。

在標(biāo)準(zhǔn)RNN無法得知輸入事件與目標(biāo)信號(hào)之間存在大于五到十個(gè)時(shí)間步長的時(shí)滯的情況下，LSTM不會(huì)受到影響，并且可以通過強(qiáng)制執(zhí)行有用的恒定錯(cuò)誤流來學(xué)習(xí)將時(shí)滯甚至連成1000個(gè)時(shí)步。

　　6、回聲狀態(tài)網(wǎng)(ESN)

回聲狀態(tài)網(wǎng)絡(luò)是遞歸神經(jīng)網(wǎng)絡(luò)的一種變體，具有非常稀疏的隱藏層（通常為百分之一的連接性）。 神經(jīng)元的連通性和權(quán)重是隨機(jī)分配的，并且忽略層和神經(jīng)元的差異（跳過連接）。 學(xué)習(xí)輸出神經(jīng)元的權(quán)重，以便網(wǎng)絡(luò)可以產(chǎn)生和再現(xiàn)特定的時(shí)間模式。 該網(wǎng)絡(luò)背后的理由來自這樣一個(gè)事實(shí)：盡管它是非線性的，但訓(xùn)練過程中唯一修改的權(quán)重是突觸連接，因此可以將誤差函數(shù)區(qū)分為線性系統(tǒng)。

　　7、卷積神經(jīng)網(wǎng)絡(luò)（CNN）

圖像具有很高的維數(shù)，因此訓(xùn)練一個(gè)標(biāo)準(zhǔn)的前饋網(wǎng)絡(luò)來識(shí)別圖像將需要成千上萬的輸入神經(jīng)元，除了公然高昂的計(jì)算費(fèi)用外，還可能引起許多與神經(jīng)網(wǎng)絡(luò)的維數(shù)詛咒相關(guān)的問題 。卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過使用卷積層和池化層來幫助降低圖像的維數(shù)，從而提供了解決方案。 由于卷積層是可訓(xùn)練的，但是比標(biāo)準(zhǔn)隱藏層具有更少的參數(shù)，因此它能夠突出顯示圖像的重要部分并將它們向前傳遞。 傳統(tǒng)上，在CNN中，最后幾層是隱藏層，用于處理"壓縮圖像信息"。

　　8、反卷積神經(jīng)網(wǎng)絡(luò)（DNN）

顧名思義，反卷積神經(jīng)網(wǎng)絡(luò)的作用與卷積神經(jīng)網(wǎng)絡(luò)相反。 DNN不是執(zhí)行卷積來減小圖像的維數(shù)，而是利用反卷積來創(chuàng)建圖像，通常是根據(jù)噪聲來進(jìn)行的。 這是一項(xiàng)固有的艱巨任務(wù)。 考慮CNN的任務(wù)是為奧威爾（Orwell）1984年的整本書寫一個(gè)三句摘要，而DNN的任務(wù)是從三句結(jié)構(gòu)寫整個(gè)本書。

　　9、生成對(duì)抗網(wǎng)絡(luò)（GAN）

生成對(duì)抗網(wǎng)絡(luò)是一種專門設(shè)計(jì)用于生成圖像的特殊類型的網(wǎng)絡(luò)，它由兩個(gè)網(wǎng)絡(luò)（一個(gè)鑒別器和一個(gè)生成器）組成。 區(qū)分者的任務(wù)是區(qū)分是從數(shù)據(jù)集中提取圖像還是由生成器生成圖像，而生成者的任務(wù)是生成足夠有說服力的圖像，以使區(qū)分器無法區(qū)分其是否真實(shí)。隨著時(shí)間的流逝，經(jīng)過精心的監(jiān)管，這兩個(gè)對(duì)手彼此競爭，互相推動(dòng)，成功地改善了彼此。 最終結(jié)果是訓(xùn)練有素的生成器，可以吐出逼真的圖像。 鑒別器是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，其目的是最大程度地提高識(shí)別真實(shí)/偽造圖像的準(zhǔn)確性，而生成器是一個(gè)反卷積神經(jīng)網(wǎng)絡(luò)，其目的是最小化鑒別器的性能。

10、自動(dòng)編碼器（AE）

自動(dòng)編碼器的基本思想是獲取原始的高維數(shù)據(jù)，將其"壓縮"為高度信息化的低維數(shù)據(jù)，然后將壓縮后的形式投影到新的空間中。 自動(dòng)編碼器有許多應(yīng)用，包括降維，圖像壓縮，去噪數(shù)據(jù)，特征提取，圖像生成和推薦系統(tǒng)。 它既可以作為無監(jiān)督方法也可以作為有監(jiān)督方法，可以非常洞悉數(shù)據(jù)的性質(zhì)。

　　11、可變自動(dòng)編碼器（VAE）

自動(dòng)編碼器學(xué)習(xí)輸入的壓縮表示形式，例如可以是圖像或文本序列，方法是壓縮輸入然后將其解壓縮以匹配原始輸入，而變分自動(dòng)編碼器（VAE）學(xué)習(xí)概率分布的參數(shù) 代表數(shù)據(jù)。 它不僅僅是學(xué)習(xí)表示數(shù)據(jù)的函數(shù)，還獲得了更詳細(xì)，細(xì)致的數(shù)據(jù)視圖，從分布中采樣并生成新的輸入數(shù)據(jù)樣本。 從這個(gè)意義上講，它更像是一種純粹的"生成"模型，例如GAN。

好了，關(guān)于深度學(xué)習(xí)工程師必須要掌握的神經(jīng)網(wǎng)絡(luò)架構(gòu)是什么的內(nèi)容，介紹到這里就結(jié)束了。想了解更多IT資訊的信息，請(qǐng)繼續(xù)關(guān)注中培偉業(yè)。