AI领域3种典型的深度学习算法

       深度学习(DeepLearning)是机器学习(MachineLearning)领域的一个新的研究方向，引领了第三次人工智能浪潮。文章对深度学习领域中的三种典型算法进行了整理，希望能帮助你更好地理解深度学习这个非常深入的课题。下面就由小编为您介绍一下AI领域3种典型的深度学习算法，一起来看看吧！

伙伴云流程

3.5

24条点评

咨询产品

免费试用

解决用户选型困难的好软件，有各维度的信息

客户案例

1

合作品牌

29

AI领域3种典型的深度学习算法

1.卷积神经网络(CNN)

    卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习的代表算法之一。

    卷积神经网络仿造生物的视知觉(Visual Perception)机制构建，可以进行监督学习和非监督学习。

    典型的CNN由3个部分组成——卷积层、池化层、全连接层。

     其中，卷积层负责提取图像中的局部特征;池化层用来大幅降低参数量级(降维);全连接层类似传统神经网络的部分，用来输出想要的结果。

     CNN在图像处理方面十分有优势，目前在图像分类检索、目标定位检测、目标分割、人脸识别、骨骼识别等领域有着广泛的应用。

2.循环神经网络(RNN)

     循环神经网络(Recurrent Neural Network, RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。

     循环神经网络具有记忆性、参数共享并且图灵完备(Turing Completeness)，因此在对序列的非线性特征进行学习时具有一定优势。

      在深度学习领域，RNN是一种能有效处理序列数据的算法。在文本生成、语音识别、机器翻译、生成图像描述、视频标记等领域有着广泛的应用。

3.生成对抗网络(GAN)

      生成对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型，是最近两年十分热门的一种无监督学习算法。

     生成对抗网络(GAN)由两个重要部分构成：

1.生成器(Generator)：通过机器生成数据(大部分情况下是图像)，目的是“骗过”判别器;

2.判别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”。

    深度学习是多层神经网络的名称，是由输入和输出之间的几个节点隐藏层组成的网络。神经网络有很多变种，你可以在这个神经网络备忘表中学到更多。改进算法，GPU和大规模并行处理(MPP)产生了数千层网络。每个节点获取输入数据和权重，并将信用评分输出到下一层节点，直到到达输出层，计算得分误差。以上就是小编为您介绍的AI领域3种典型的深度学习算法。