神經網路當前發展分支介紹
阿新 • • 發佈：2019-01-10
前言：自己要開始學習神經網路，當然要先搞明白神經網路發展過程中出現的分支有哪些，這些分支經過理論上的論證，實際上的操作，不斷的完善後發展成現如今的哪些神經網路，以及各自的用處在哪些領域。
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
一、神經網路的基礎部分
- 單層感知器
- 線性神經網路
- BP神經網路
- Hopfield神經網路
二、神經網路的進階部分
- 迴圈神經網路（RNNs）
- 遞迴神經網路（RNN）
- 玻爾茲曼機
- 受限玻爾茲曼機
注：遞迴神經網路（RNN），是兩種人工神經網路的總稱，一種是時間遞迴神經網路（recurrent neural network），另一種是結構遞迴神經網路（recursive neural network）
迴圈神經網路英文譯名是recurrent neural network，算是遞迴神經網路的一種特例，有些資料上為兩者加以區分，將迴圈神經網路簡寫RNNs
三、深度學習網路
- 深度置信網路
- 深度殘差網路
- 卷積神經網路（CNN）
- LSTM網路（時間遞迴神經網路，也叫長短時記憶網路）
四、聯絡
五、深度網路的應用
- 傳統的資料探勘、機器學習問題
- 傳統企業管理、生產製造
- 簡單靜態文字識別
- 影象識別，再到無人駕駛（比如CNN卷積神經網路）
- 自然語言處理（比如RNN，LSTM網路）
人工智慧在近些年的高速發展有目共睹，理論上人工智慧的應用場景可以在各行各業，但是由於當前經驗累積不足、理論體系不夠完善，人工智慧的應用方向更多是由全球頂尖企業所領導。如何讓人工智慧的產物實施落地，更加惠民、更加大眾化、更加小企業化還有許多路要去摸索。
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-—-—-—-—-—-—-—-—-—-—-—-——-
–—-