lstm神經(jīng)網(wǎng)絡和bp神經(jīng)網(wǎng)絡（lm bp神經(jīng)網(wǎng)絡）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于lstm神經(jīng)網(wǎng)絡和bp神經(jīng)網(wǎng)絡的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、bp神經(jīng)網(wǎng)絡和som神經(jīng)網(wǎng)絡的區(qū)別

• 2、神經(jīng)網(wǎng)絡模型-27種神經(jīng)網(wǎng)絡模型們的簡介

• 3、那個最簡單的BP神經(jīng)網(wǎng)絡是什么意思啊，求解答

• 4、深度學習LSTM神經(jīng)網(wǎng)絡輸入輸出究竟是怎樣的？

一、bp神經(jīng)網(wǎng)絡和som神經(jīng)網(wǎng)絡的區(qū)別

結(jié)構(gòu)層不一樣。

1、SOM是一種比較簡單的神經(jīng)網(wǎng)絡，只有一層神經(jīng)網(wǎng)絡。

2、BP網(wǎng)絡具有三層結(jié)構(gòu)。

二、神經(jīng)網(wǎng)絡模型-27種神經(jīng)網(wǎng)絡模型們的簡介

​ 

【1】Perceptron(P) 感知機

【1】感知機 

感知機是我們知道的最簡單和最古老的神經(jīng)元模型，它接收一些輸入，然后把它們加總，通過激活函數(shù)并傳遞到輸出層。

【2】Feed Forward(FF)前饋神經(jīng)網(wǎng)絡

 【2】前饋神經(jīng)網(wǎng)絡

前饋神經(jīng)網(wǎng)絡（FF），這也是一個很古老的方法——這種方法起源于50年代。它的工作原理通常遵循以下規(guī)則：

1.所有節(jié)點都完全連接

2.激活從輸入層流向輸出，無回環(huán)

3.輸入和輸出之間有一層（隱含層）

在大多數(shù)情況下，這種類型的網(wǎng)絡使用反向傳播方法進行訓練。

【3】Radial Basis Network(RBF) RBF神經(jīng)網(wǎng)絡

 【3】RBF神經(jīng)網(wǎng)絡

RBF 神經(jīng)網(wǎng)絡實際上是 激活函數(shù)是徑向基函數(shù) 而非邏輯函數(shù)的FF前饋神經(jīng)網(wǎng)絡（FF）。兩者之間有什么區(qū)別呢？

邏輯函數(shù)--- 將某個任意值映射到[0 ,... 1]范圍內(nèi)來，回答“是或否”問題。適用于分類決策系統(tǒng)，但不適用于連續(xù)變量。

相反， 徑向基函數(shù)--- 能顯示“我們距離目標有多遠”。 這完美適用于函數(shù)逼近和機器控制（例如作為PID控制器的替代）。

簡而言之，RBF神經(jīng)網(wǎng)絡其實就是， 具有不同激活函數(shù)和應用方向的前饋網(wǎng)絡 。

【4】Deep Feed Forword(DFF)深度前饋神經(jīng)網(wǎng)絡

【4】DFF深度前饋神經(jīng)網(wǎng)絡 

DFF深度前饋神經(jīng)網(wǎng)絡在90年代初期開啟了深度學習的潘多拉盒子。 這些依然是前饋神經(jīng)網(wǎng)絡，但有不止一個隱含層 。那么，它到底有什么特殊性？

在訓練傳統(tǒng)的前饋神經(jīng)網(wǎng)絡時，我們只向上一層傳遞了少量的誤差信息。由于堆疊更多的層次導致訓練時間的指數(shù)增長，使得深度前饋神經(jīng)網(wǎng)絡非常不實用。 直到00年代初，我們開發(fā)了一系列有效的訓練深度前饋神經(jīng)網(wǎng)絡的方法; 現(xiàn)在它們構(gòu)成了現(xiàn)代機器學習系統(tǒng)的核心 ，能實現(xiàn)前饋神經(jīng)網(wǎng)絡的功能，但效果遠高于此。

【5】Recurrent Neural Network(RNN) 遞歸神經(jīng)網(wǎng)絡

【5】RNN遞歸神經(jīng)網(wǎng)絡 

RNN遞歸神經(jīng)網(wǎng)絡引入不同類型的神經(jīng)元——遞歸神經(jīng)元。這種類型的第一個網(wǎng)絡被稱為約旦網(wǎng)絡（Jordan Network），在網(wǎng)絡中每個隱含神經(jīng)元會收到它自己的在固定延遲（一次或多次迭代）后的輸出。除此之外，它與普通的模糊神經(jīng)網(wǎng)絡非常相似。

當然，它有許多變化 — 如傳遞狀態(tài)到輸入節(jié)點，可變延遲等，但主要思想保持不變。這種類型的神經(jīng)網(wǎng)絡主要被使用在上下文很重要的時候——即過去的迭代結(jié)果和樣本產(chǎn)生的決策會對當前產(chǎn)生影響。最常見的上下文的例子是文本——一個單詞只能在前面的單詞或句子的上下文中進行分析。

【6】Long/Short Term Memory (LSTM) 長短時記憶網(wǎng)絡

【6】LSTM長短時記憶網(wǎng)絡 

LSTM長短時記憶網(wǎng)絡引入了一個存儲單元，一個特殊的單元，當數(shù)據(jù)有時間間隔（或滯后）時可以處理數(shù)據(jù)。遞歸神經(jīng)網(wǎng)絡可以通過“記住”前十個詞來處理文本，LSTM長短時記憶網(wǎng)絡可以通過“記住”許多幀之前發(fā)生的事情處理視頻幀。 LSTM網(wǎng)絡也廣泛用于寫作和語音識別。

存儲單元實際上由一些元素組成，稱為門，它們是遞歸性的，并控制信息如何被記住和遺忘。

【7】Gated Recurrent Unit (GRU)

 【7】GRU是具有不同門的LSTM

GRU是具有不同門的LSTM。

聽起來很簡單，但缺少輸出門可以更容易基于具體輸入重復多次相同的輸出，目前此模型在聲音（音樂）和語音合成中使用得最多。

實際上的組合雖然有點不同：但是所有的LSTM門都被組合成所謂的更新門(Update Gate)，并且復位門(Reset Gate)與輸入密切相關。

它們比LSTM消耗資源少，但幾乎有相同的效果。

【8】Auto Encoder (AE) 自動編碼器

 【8】AE自動編碼器

Autoencoders自動編碼器用于分類，聚類和特征壓縮。

當您訓練前饋(FF)神經(jīng)網(wǎng)絡進行分類時，您主要必須在Y類別中提供X個示例，并且期望Y個輸出單元格中的一個被激活。 這被稱為“監(jiān)督學習”。

另一方面，自動編碼器可以在沒有監(jiān)督的情況下進行訓練。它們的結(jié)構(gòu) - 當隱藏單元數(shù)量小于輸入單元數(shù)量（并且輸出單元數(shù)量等于輸入單元數(shù)）時，并且當自動編碼器被訓練時輸出盡可能接近輸入的方式，強制自動編碼器泛化數(shù)據(jù)并搜索常見模式。

【9】Variational AE (VAE)  變分自編碼器

 【9】VAE變分自編碼器

變分自編碼器，與一般自編碼器相比，它壓縮的是概率，而不是特征。

盡管如此簡單的改變，但是一般自編碼器只能回答當“我們?nèi)绾螝w納數(shù)據(jù)？”的問題時，變分自編碼器回答了“兩件事情之間的聯(lián)系有多強大？我們應該在兩件事情之間分配誤差還是它們完全獨立的？”的問題。

【10】Denoising AE (DAE) 降噪自動編碼器

 【10】DAE降噪自動編碼器

雖然自動編碼器很酷，但它們有時找不到最魯棒的特征，而只是適應輸入數(shù)據(jù)（實際上是過擬合的一個例子）。

降噪自動編碼器（DAE）在輸入單元上增加了一些噪聲 - 通過隨機位來改變數(shù)據(jù)，隨機切換輸入中的位，等等。通過這樣做，一個強制降噪自動編碼器從一個有點嘈雜的輸入重構(gòu)輸出，使其更加通用，強制選擇更常見的特征。

【11】Sparse AE (SAE) 稀疏自編碼器

【11】SAE稀疏自編碼器 

稀疏自編碼器（SAE）是另外一個有時候可以抽離出數(shù)據(jù)中一些隱藏分組樣試的自動編碼的形式。結(jié)構(gòu)和AE是一樣的，但隱藏單元的數(shù)量大于輸入或輸出單元的數(shù)量。

【12】Markov Chain (MC) 馬爾科夫鏈

 【12】Markov Chain (MC) 馬爾科夫鏈

馬爾可夫鏈（Markov Chain, MC）是一個比較老的圖表概念了，它的每一個端點都存在一種可能性。過去，我們用它來搭建像“在單詞hello之后有0.0053％的概率會出現(xiàn)dear，有0.03551%的概率出現(xiàn)you”這樣的文本結(jié)構(gòu)。

這些馬爾科夫鏈并不是典型的神經(jīng)網(wǎng)絡，它可以被用作基于概率的分類（像貝葉斯過濾），用于聚類（對某些類別而言），也被用作有限狀態(tài)機。

【13】Hopfield Network (HN) 霍普菲爾網(wǎng)絡

【13】HN霍普菲爾網(wǎng)絡 

霍普菲爾網(wǎng)絡（HN）對一套有限的樣本進行訓練，所以它們用相同的樣本對已知樣本作出反應。

在訓練前，每一個樣本都作為輸入樣本，在訓練之中作為隱藏樣本，使用過之后被用作輸出樣本。

在HN試著重構(gòu)受訓樣本的時候，他們可以用于給輸入值降噪和修復輸入。如果給出一半圖片或數(shù)列用來學習，它們可以反饋全部樣本。

【14】Boltzmann Machine (BM) 波爾滋曼機

【14】 BM 波爾滋曼機 

波爾滋曼機（BM）和HN非常相像，有些單元被標記為輸入同時也是隱藏單元。在隱藏單元更新其狀態(tài)時，輸入單元就變成了輸出單元。（在訓練時，BM和HN一個一個的更新單元，而非并行）。

這是第一個成功保留模擬退火方法的網(wǎng)絡拓撲。

多層疊的波爾滋曼機可以用于所謂的深度信念網(wǎng)絡，深度信念網(wǎng)絡可以用作特征檢測和抽取。

【15】Restricted BM (RBM) 限制型波爾滋曼機

【15】 RBM 限制型波爾滋曼機 

在結(jié)構(gòu)上，限制型波爾滋曼機（RBM）和BM很相似，但由于受限RBM被允許像FF一樣用反向傳播來訓練（唯一的不同的是在反向傳播經(jīng)過數(shù)據(jù)之前RBM會經(jīng)過一次輸入層）。

【16】Deep Belief Network (DBN) 深度信念網(wǎng)絡

【16】DBN 深度信念網(wǎng)絡 

像之前提到的那樣，深度信念網(wǎng)絡（DBN）實際上是許多波爾滋曼機（被VAE包圍）。他們能被連在一起（在一個神經(jīng)網(wǎng)絡訓練另一個的時候），并且可以用已經(jīng)學習過的樣式來生成數(shù)據(jù)。

【17】Deep Convolutional Network (DCN) 深度卷積網(wǎng)絡

【17】 DCN 深度卷積網(wǎng)絡

當今，深度卷積網(wǎng)絡（DCN）是人工神經(jīng)網(wǎng)絡之星。它具有卷積單元（或者池化層）和內(nèi)核，每一種都用以不同目的。

卷積核事實上用來處理輸入的數(shù)據(jù)，池化層是用來簡化它們（大多數(shù)情況是用非線性方程，比如max），來減少不必要的特征。

他們通常被用來做圖像識別，它們在圖片的一小部分上運行（大約20x20像素）。輸入窗口一個像素一個像素的沿著圖像滑動。然后數(shù)據(jù)流向卷積層，卷積層形成一個漏斗（壓縮被識別的特征）。從圖像識別來講，第一層識別梯度，第二層識別線，第三層識別形狀，以此類推，直到特定的物體那一級。DFF通常被接在卷積層的末端方便未來的數(shù)據(jù)處理。

【18】Deconvolutional Network (DN) 去卷積網(wǎng)絡

 【18】 DN 去卷積網(wǎng)絡

去卷積網(wǎng)絡（DN）是將DCN顛倒過來。DN能在獲取貓的圖片之后生成像（狗：0，蜥蜴：0，馬：0，貓：1）一樣的向量。DNC能在得到這個向量之后，能畫出一只貓。

【19】Deep Convolutional Inverse Graphics Network (DCIGN) 深度卷積反轉(zhuǎn)圖像網(wǎng)絡

【19】 DCIGN 深度卷積反轉(zhuǎn)圖像網(wǎng)絡

深度卷積反轉(zhuǎn)圖像網(wǎng)絡（DCIGN），長得像DCN和DN粘在一起，但也不完全是這樣。

事實上，它是一個自動編碼器，DCN和DN并不是作為兩個分開的網(wǎng)絡，而是承載網(wǎng)路輸入和輸出的間隔區(qū)。大多數(shù)這種神經(jīng)網(wǎng)絡可以被用作圖像處理，并且可以處理他們以前沒有被訓練過的圖像。由于其抽象化的水平很高，這些網(wǎng)絡可以用于將某個事物從一張圖片中移除，重畫，或者像大名鼎鼎的CycleGAN一樣將一匹馬換成一個斑馬。

【20】Generative Adversarial Network (GAN) 生成對抗網(wǎng)絡

 【20】 GAN 生成對抗網(wǎng)絡

生成對抗網(wǎng)絡（GAN）代表了有生成器和分辨器組成的雙網(wǎng)絡大家族。它們一直在相互傷害——生成器試著生成一些數(shù)據(jù)，而分辨器接收樣本數(shù)據(jù)后試著分辨出哪些是樣本，哪些是生成的。只要你能夠保持兩種神經(jīng)網(wǎng)絡訓練之間的平衡，在不斷的進化中，這種神經(jīng)網(wǎng)絡可以生成實際圖像。

【21】Liquid State Machine (LSM) 液體狀態(tài)機

 【21】 LSM 液體狀態(tài)機

液體狀態(tài)機（LSM）是一種稀疏的，激活函數(shù)被閾值代替了的（并不是全部相連的）神經(jīng)網(wǎng)絡。只有達到閾值的時候，單元格從連續(xù)的樣本和釋放出來的輸出中積累價值信息，并再次將內(nèi)部的副本設為零。

這種想法來自于人腦，這些神經(jīng)網(wǎng)絡被廣泛的應用于計算機視覺，語音識別系統(tǒng)，但目前還沒有重大突破。

【22】Extreme  Learning Machine (ELM) 極端學習機

【22】ELM 極端學習機 

極端學習機（ELM）是通過產(chǎn)生稀疏的隨機連接的隱藏層來減少FF網(wǎng)絡背后的復雜性。它們需要用到更少計算機的能量，實際的效率很大程度上取決于任務和數(shù)據(jù)。

【23】Echo State Network (ESN) 回聲狀態(tài)網(wǎng)絡

【23】 ESN 回聲狀態(tài)網(wǎng)絡

回聲狀態(tài)網(wǎng)絡（ESN）是重復網(wǎng)絡的細分種類。數(shù)據(jù)會經(jīng)過輸入端，如果被監(jiān)測到進行了多次迭代（請允許重復網(wǎng)路的特征亂入一下），只有在隱藏層之間的權(quán)重會在此之后更新。

據(jù)我所知，除了多個理論基準之外，我不知道這種類型的有什么實際應用。。。。。。。

【24】Deep Residual Network (DRN) 深度殘差網(wǎng)絡

​【24】 DRN 深度殘差網(wǎng)絡 

深度殘差網(wǎng)絡（DRN）是有些輸入值的部分會傳遞到下一層。這一特點可以讓它可以做到很深的層級（達到300層），但事實上它們是一種沒有明確延時的RNN。

【25】Kohonen Network (KN) Kohonen神經(jīng)網(wǎng)絡

​ 【25】 Kohonen神經(jīng)網(wǎng)絡

Kohonen神經(jīng)網(wǎng)絡（KN）引入了“單元格距離”的特征。大多數(shù)情況下用于分類，這種網(wǎng)絡試著調(diào)整它們的單元格使其對某種特定的輸入作出最可能的反應。當一些單元格更新了， 離他們最近的單元格也會更新。

像SVM一樣，這些網(wǎng)絡總被認為不是“真正”的神經(jīng)網(wǎng)絡。

【26】Support Vector Machine (SVM)

​【26】 SVM 支持向量機 

支持向量機（SVM）用于二元分類工作，無論這個網(wǎng)絡處理多少維度或輸入，結(jié)果都會是“是”或“否”。

SVM不是所有情況下都被叫做神經(jīng)網(wǎng)絡。

【27】Neural Turing Machine (NTM) 神經(jīng)圖靈機

​【27】NTM 神經(jīng)圖靈機 

神經(jīng)網(wǎng)絡像是黑箱——我們可以訓練它們，得到結(jié)果，增強它們，但實際的決定路徑大多數(shù)我們都是不可見的。

神經(jīng)圖靈機（NTM）就是在嘗試解決這個問題——它是一個提取出記憶單元之后的FF。一些作者也說它是一個抽象版的LSTM。

記憶是被內(nèi)容編址的，這個網(wǎng)絡可以基于現(xiàn)狀讀取記憶，編寫記憶，也代表了圖靈完備神經(jīng)網(wǎng)絡。

三、那個最簡單的BP神經(jīng)網(wǎng)絡是什么意思啊，求解答

最簡單的BP神經(jīng)網(wǎng)絡？可能指單輸入單輸出的單隱層感知器模型。

BP（Back Propagation）神經(jīng)網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

四、深度學習LSTM神經(jīng)網(wǎng)絡輸入輸出究竟是怎樣的？

在長短期記憶 （LSTM） 網(wǎng)絡中，輸入通常是一系列數(shù)據(jù)點，例如語言翻譯任務中的單詞序列或時間序列預測任務中的傳感器讀數(shù)序列。輸入數(shù)據(jù)通過輸入層傳遞，輸入層將輸入數(shù)據(jù)轉(zhuǎn)換為一組可由 LSTM 網(wǎng)絡處理的內(nèi)部表示。

然后，輸入數(shù)據(jù)的內(nèi)部表示通過一系列LSTM層傳遞，這些層使用一組“存儲單元”來存儲和檢索長時間的信息。每個LSTM層還包括一組“門”，用于控制進出存儲單元的信息流，允許LSTM有選擇地存儲和檢索信息，并忘記不再需要的信息。

LSTM網(wǎng)絡的輸出通常是基于輸入數(shù)據(jù)和存儲在存儲單元中的信息的預測或分類。例如，在語言翻譯任務中，輸出可能是翻譯的句子，而在時序預測任務中，輸出可能是序列中的預測未來值。

總體而言，LSTM網(wǎng)絡的輸入是一系列數(shù)據(jù)點，輸出是基于輸入數(shù)據(jù)和存儲在LSTM層的存儲單元中的信息的預測或分類。

以上就是關于lstm神經(jīng)網(wǎng)絡和bp神經(jīng)網(wǎng)絡相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

淘寶搜索暗語大全（淘寶lsp關鍵詞）

拼多多l(xiāng)sp必看（拼多多看什么視頻能賺錢）

ALS是什么意思（show是什么意思）

主播一套一套的順口溜（主播一套一套的嘮嗑詞）

園區(qū)美景文案