常用神经网络-ANN/CNN/RNN/GAN/Transformer

#创作灵感#

用到深度学习算法之后，需要了解一下常用的神经网络，这里做一个记录，方便以后复习。

#正文#

1. 人工神经网络（ANN）

人工神经网络（Artificial Neural Network, ANN）是受生物神经网络启发的计算模型，由输入层、一个或多个隐藏层和输出层组成。每层包含若干节点（神经元），节点之间通过带权重的连接（边）相连。ANN通过调整这些权重来学习和预测。

常用实例

• 手写数字识别：使用ANN可以识别手写数字。MNIST数据集（包含0-9的手写数字图片）常用于这类任务。通过训练ANN，模型可以输入手写数字图片并输出对应的数字标签。
• 房价预测：使用ANN可以根据房屋特征（如面积、卧室数量、位置等）预测房价。

网络层

1. 输入层：接受输入数据，每个节点对应一个特征。
2. 隐藏层：由若干神经元组成，每个神经元通过加权求和及激活函数处理输入。常用的激活函数包括Sigmoid、ReLU、Tanh等。
3. 输出层：输出最终结果，神经元数量取决于具体任务（如分类任务中的类别数）。

2. 卷积神经网络（CNN）

卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理网格数据（如图像）的神经网络。CNN通过卷积层、池化层和全连接层组成，能够有效地捕捉图像的局部特征和空间关系。

常用实例

• 图像分类：使用CNN可以对图像进行分类。著名的ImageNet数据集包含大量标记好的图像，常用于训练和评估图像分类模型。ResNet和VGG是常见的CNN架构。
• 物体检测：使用CNN可以检测图像中的特定物体。YOLO（You Only Look Once）和Faster R-CNN是常见的物体检测模型。

网络层

1. 输入层：接受输入图像，通常为三维数据（宽度、高度、通道）。
2. 卷积层：通过卷积核（滤波器）对输入图像进行局部扫描，提取特征。
   1. 卷积核：一个小矩阵，滑动窗口，生成特征图。
   2. 激活函数：通常使用ReLU。
3. 池化层：通过下采样（如最大池化、平均池化）减少特征图尺寸，降低计算复杂度。
4. 全连接层：将卷积层和池化层提取的特征展平，并通过全连接层进行分类或回归。
5. 输出层：输出最终分类结果或回归值。

3. 循环神经网络（RNN）

循环神经网络（Recurrent Neural Network, RNN）是一种适用于处理序列数据（如时间序列、文本数据）的神经网络。RNN通过循环连接使得当前时刻的输出依赖于前一时刻的状态，能够捕捉序列中的时间依赖关系。

常用实例

• 语言模型：使用RNN可以根据前面的单词预测下一个单词。LSTM（长短期记忆网络）和GRU（门控循环单元）是常见的RNN变种，用于解决标准RNN的梯度消失问题。
• 语音识别：使用RNN可以将语音信号转换为文字序列。DeepSpeech是一个基于RNN的语音识别系统。

网络层

1. 输入层：接受序列数据，每个时间步都有一个输入。
2. 隐藏层：每个时间步都有一个隐藏状态，当前隐藏状态由当前输入和前一时间步的隐藏状态共同决定。
   1. 激活函数**：常用Tanh或ReLU。
   2. 长短期记忆网络（LSTM）：通过引入遗忘门、输入门和输出门解决标准RNN的梯度消失问题。
   3. 门控循环单元（GRU）：类似于LSTM，但结构更简化。
3. 输出层：每个时间步都可以输出，也可以仅在序列结束时输出。

4. 生成对抗网络（GAN）

生成对抗网络（Generative Adversarial Network, GAN）由生成器和判别器两个神经网络组成。生成器尝试生成逼真的数据样本，而判别器尝试区分真实样本和生成样本。两个网络通过对抗训练不断改进，最终生成器能够生成非常逼真的数据。

常用实例

• 图像生成：使用GAN可以生成逼真的图像。DCGAN（Deep Convolutional GAN）是一个常见的图像生成模型。
• 图像超分辨率：使用GAN可以将低分辨率图像提升到高分辨率。SRGAN（Super-Resolution GAN）是一个用于图像超分辨率的模型。

网络层

1. 生成器：
   1. 输入层：通常是随机噪声向量。
   2. 隐藏层：一系列全连接层、卷积层或反卷积层，逐步将噪声向量转化为逼真的数据。
   3. 输出层：生成假数据（如图像）。
2. 判别器：
   1. 输入层：接受真实数据和生成器生成的数据。
   2. 隐藏层：一系列卷积层和池化层，提取数据特征。
   3. 输出层：输出二分类结果（真假）。

5. Transformer

Transformer是一种基于注意力机制的神经网络，最初用于自然语言处理（NLP）任务。与RNN不同，Transformer不依赖于序列顺序，通过全局的自注意力机制捕捉序列中的长距离依赖关系。Transformer由编码器和解码器组成，编码器将输入序列转换为内部表示，解码器将内部表示转换为输出序列。

常用实例

• 机器翻译：使用Transformer可以进行高质量的机器翻译。原始的Transformer模型在WMT 2014英法翻译任务中取得了优秀的表现。
• 文本生成：使用Transformer可以生成连贯的文本。GPT（Generative Pre-trained Transformer）和BERT（Bidirectional Encoder Representations from Transformers）是两个著名的Transformer模型。

网络层

1. 编码器：
   1. 输入层：接受输入序列，通常是词嵌入表示。
   2. 自注意力层：计算输入序列中每个元素与其他元素的注意力得分。
   3. 注意力机制：包括查询（Q）、键（K）、值（V）三个矩阵，通过点积计算注意力得分。
   4. 前馈神经网络：对自注意力层的输出进行非线性变换。
   5. 层归一化：对每一层进行标准化处理。
2. 解码器：
   1. 输入层：接受目标序列的前一部分（训练时）或生成的前一部分（推理时）。
   2. 自注意力层：与编码器相似，但只关注目标序列的前一部分。
   3. 编码器-解码器注意力层：通过注意力机制将编码器的输出与解码器的当前状态结合。
   4. 前馈神经网络：对注意力层的输出进行非线性变换。
   5. 层归一化：对每一层进行标准化处理。
3. 输出层：生成最终的输出序列（如翻译结果或生成文本）。

以上就是常用的神经网络，对于刚接触深度学习的时候，大致了解一下很有帮助。