人工智能基础与应用 课件 4.3 经典神经网络 .pptx

深度学习经典神经网络主讲人：董张慧雅人工智能课程团队

05“深度”神经网络

“深度”神经网络具有多个隐藏层的神经网络，能够学习复杂特征表示和映射关系。01深度神经网络通过多层非线性变换，学习输入数据的底层结构和高级别语义信息。02特征学习能力深度神经网络在解决复杂问题时具有更强的泛化能力和更高的准确性。03泛化能力和准确性

06卷积神经网络

卷积神经网络输入层、卷积层、激活函数、池化层和全连接层组成。卷积神经网络结构01提取输入数据的局部特征，通过卷积操作实现。滑动滤波器，将滤波器中的权重与输入数据对应位置的元素相乘并求和，得到一个新的特征图。由一系列参数可学习的卷积核集合构成，不同卷积核可以提取不同的特征。卷积层02

卷积神经网络03池化层取窗口的平均值Maxpooling取窗口的最大值经过卷积，我们得到如右的一幅图设定池化窗口为2X2，stride=2，采用Maxpooling，就会得到一个3X3的结果AveragePooling

卷积神经网络CNN的基本结构

卷积神经网络卷积计算过程

07循环神经网络

循环神经网络由输入单元、输出单元和隐藏单元组成，当前时间步的隐藏状态由上一时间步的隐藏状态和当前时间步的输入值共同决定。循环神经网络展开结构解决传统RNN在处理长序列时的问题，通过门控机制和记忆细胞控制信息流动。长短期记忆网络解决RNN在处理长序列时的问题，只有更新门和重置门，计算量较小，性能与LSTM相近。门控循环单元

循环神经网络循环神经网络结构循环神经网络的展开结构

08生成式对抗网络

生成式对抗网络由生成器和判别器组成的深度学习模型，用于生成逼真数据。GANs简介图像生成、图像增强、数据生成、自然语言处理等。GANs应用

感谢您的聆听深度学习大数据技术资源库

目录|CONTENTS径向基神经网络01Hopfield神经网络02玻尔兹曼机03BP神经网络“深度”神经网络05卷积神经网络06循环神经网络0704生成式对抗网络08

01径向基神经网络

径向基神经网络输入层、隐藏层和输出层，隐藏层使用径向基函数作为激活函数。网络结构径向基函数是关于中心点径向对称且衰减的非负线性函数，将低维输入数据转换到高维空间内，使得原本线性不。可分的问题在高维空间内变得线性可分。激活函数对线性权进行调整，采用线性优化策略，学习速度较快。输出层

径向基神经网络径向基神经网络反馈示意图

02Hopfield神经网络

Hopfield神经网络每个神经元与其他神经元相互连接，形成反馈循环。网络结构需要大量存储空间，训练过程耗时，模式冲突可能导致不稳定状态。应用限制输出端反馈到输入端，产生状态变化，直至达到稳定平衡状态。网络特点Hopfield神经网络是一种递归神经网络，其特点是网络中的每个神经元都与其他神经元相互连接，形成一个反馈循环，输出端又会反馈到输入端，在输入的激励下，其输出会不断地产生状态变化，这个反馈过程会一直反复进行。

03玻尔兹曼机

玻尔兹曼机模型结构两层神经网络，隐藏层和可见层全连接，隐藏层神经元独立。训练过程从可见层到隐藏层编码，从隐藏层到可见层解码。应用推荐系统中，用户评分作为可见层神经元输入，训练模型。

玻尔兹曼机受限玻尔兹曼机模型

04BP神经网络

BP神经网络信号从输入层传递到隐藏层，再到输出层，产生输出结果。根据误差调整网络权值和偏置，使输出结果接近期望结果。输入层、隐藏层和输出层，神经元全连接，同层无连接。基本结构前向传播反向传播