LSTM基础

标签：blog   变化   重要   特征   rnn   共享   传递   神经元   卷积   

DNN,CNN,RNN:
1.DNN:深度神经网络，或称多层感知机。解决早期单层感知机对于复杂函数不能模拟的情况。其形式为层之间全连接。实用sig等连续性函数模拟神经对机理的响应，训练算法使用    BP。

2.问题：只是名义上的深层。

　　a：随着层数的加深，优化函数更加容易陷入局部最优解。并且会越来越偏离

　　b:梯度消失情况更加严重。每传递一层，梯度衰减为原来的0.25;

　　c:多层全连接导致参数膨胀；
　当时解决方法：

　　a：实用预训练方法缓解最优解。

　　b:为客服梯度消失，实用relu,maxou等传输函数代替sigMoid;
3.CNN:不是所有上下层神经元都能直接相连，而是通过“卷积核”作为中介。同一个卷积核在所有图像内是共享的，图像通过卷积操作后仍然保留原先的位置关系.对于一个图像分别     用多个卷积核进行描述，每个卷积核学习到不提不同的结构特征。最后一层是全连接层。

4.RNN：可以对变化的时间序列进行建模。对于自然语言处理，语音识别，手写体识别非常重要。

5.LSTM隐含层示例：

LSTM基础

标签：blog   变化   重要   特征   rnn   共享   传递   神经元   卷积   

原文地址：http://www.cnblogs.com/zjh225901/p/6611656.html