内容摘要：【 深度学习】热度：1114

9种深度学习算法：

1.反向传播

反向传播算法是一种非常流行的用于训练前馈神经网络的监督学习算法。本质上，反向传播计算成本函数的导数的表达式，它是每一层之间从左到右的导数乘积，而每一层之间的权重梯度是对部分乘积的简单修改（“反向传播误差”）。

2.前馈神经网络

前馈神经网络通常是全连接，这意味着层中的每个神经元都与下一层中的所有其他神经元相连。所描述的结构称为“多层感知器”，起源于1958年。单层感知器只能学习线性可分离的模式，而多层感知器则可以学习数据之间的非线性的关系。

3.卷积神经网络

卷积神经网络除了为机器人和自动驾驶汽车的视觉提供帮助外，还成功的应用于人脸识别，对象监测和交通标志识别等领域。

4.循环神经网络

循环神经网络在许多NLP任务中都非常成功。在传统的神经网络中，可以理解所有输入和输出都是独立的。但是，对于许多任务，这是不合适的。如果要预测句子中的下一个单词，最好考虑一下它前面的单词。

5.递归神经网络

递归神经网络是循环网络的另一种形式，不同之处在于它们是树形结构。因此，它们可以在训练数据集中建模层次结构。

6.自编码器

自编码器可在输出处恢复输入信号。它们内部有一个隐藏层。自编码器设计为无法将输入准确复制到输出，但是为了使误差最小化，网络被迫学习选择最重要的特征。

7.深度信念网络和受限玻尔兹曼机器

受限玻尔兹曼机是一个随机神经网络（神经网络，意味着我们有类似神经元的单元，其binary激活取决于它们所连接的相邻单元；随机意味着这些激活具有概率性元素）。

8.生成对抗网络（GAN）

GAN正在成为一种流行的在线零售机器学习模型，因为它们能够以越来越高的准确度理解和重建视觉内容。

9.Transformers

Transformers也很新，它们主要用于语言应用。它它们基于一个叫做注意力的概念，这个概念被用来迫使网络将注意力集中在特定的数据点上。

10.图神经网络

一般来说，非结构化数据并不适合深度学习。在许多实际应用中，数据是非结构化的，例如社交网络，化合物，知识图，空间数据等。