深度學習(DeepLearning)是機器學習(MachineLearning)領域的一個新的研究方向，引領了第三次人工智能浪潮。文章對深度學習領域中的三種典型算法進行了整理，希望能幫助你更好地理解深度學習這個非常深入的課題。下面就由小編為您介紹一下AI領域3種典型的深度學習算法，一起來看看吧！

伙伴云流程

3.5

24條點評

咨詢產品

免費試用

解決用戶選型困難的好軟件，有各維度的信息

客戶案例

1

合作品牌

29

AI領域3種典型的深度學習算法

1.卷積神經網絡(CNN)

    卷積神經網絡(Convolutional Neural Networks, CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward Neural Networks)，是深度學習的代表算法之一。

    卷積神經網絡仿造生物的視知覺(Visual Perception)機制構建，可以進行監督學習和非監督學習。

    典型的CNN由3個部分組成——卷積層、池化層、全連接層。

     其中，卷積層負責提取圖像中的局部特征;池化層用來大幅降低參數量級(降維);全連接層類似傳統神經網絡的部分，用來輸出想要的結果。

     CNN在圖像處理方面十分有優勢，目前在圖像分類檢索、目標定位檢測、目標分割、人臉識別、骨骼識別等領域有著廣泛的應用。

2.循環神經網絡(RNN)

     循環神經網絡(Recurrent Neural Network, RNN)是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點(循環單元)按鏈式連接的遞歸神經網絡。

     循環神經網絡具有記憶性、參數共享并且圖靈完備(Turing Completeness)，因此在對序列的非線性特征進行學習時具有一定優勢。

      在深度學習領域，RNN是一種能有效處理序列數據的算法。在文本生成、語音識別、機器翻譯、生成圖像描述、視頻標記等領域有著廣泛的應用。

3.生成對抗網絡(GAN)

      生成對抗網絡(GAN, Generative Adversarial Networks )是一種深度學習模型，是最近兩年十分熱門的一種無監督學習算法。

     生成對抗網絡(GAN)由兩個重要部分構成：

1.生成器(Generator)：通過機器生成數據(大部分情況下是圖像)，目的是“騙過”判別器;

2.判別器(Discriminator)：判斷這張圖像是真實的還是機器生成的，目的是找出生成器做的“假數據”。

    深度學習是多層神經網絡的名稱，是由輸入和輸出之間的幾個節點隱藏層組成的網絡。神經網絡有很多變種，你可以在這個神經網絡備忘表中學到更多。改進算法，GPU和大規模并行處理(MPP)產生了數千層網絡。每個節點獲取輸入數據和權重，并將信用評分輸出到下一層節點，直到到達輸出層，計算得分誤差。以上就是小編為您介紹的AI領域3種典型的深度學習算法。