Типы нейронных сетей, которые вы должны знать как специалист по данным.
Нейронная сеть - это подмножество машинного обучения, которое имитирует работу человеческого мозга при решении сложной проблемы, основанной на глубоком обучении. Нейронные сети созданы на основе нейронов человеческого мозга. В этой статье я познакомлю вас с типами нейронных сетей, которые вам нужно знать как специалист по данным.
Типы нейронных сетей
Нейронные сети классифицируются в зависимости от их архитектуры. Вам необходимо знать 7 типов нейронных сетей:
- Перцептрон
- Искусственные нейронные сети
- Многослойный персептрон
- Радиальные сети
- Сверточные нейронные сети
- Рекуррентные нейронные сети
- Кратковременная долговременная память
Итак, это типы нейронных сетей, которые вам следует знать как специалисту по данным. Теперь давайте рассмотрим все эти типы нейронных сетей по очереди.
Персептрон:
Персептрон - это самая базовая архитектура нейронных сетей. Она также известна как однослойная нейронная сеть, поскольку содержит только один входной слой и один выходной слой. В перцептроне нет скрытых слоев. Он работает, принимая входные данные, затем вычисляет взвешенный вход каждого узла, а затем использует функцию активации. Персептроны - это основная форма нейронных сетей, поэтому этот тип архитектуры предпочтительнее только для задач, основанных на классификации.
Искусственные нейронные сети:
Искусственная нейронная сеть также известна как нейронная сеть с ускоренной перемоткой вперед. В нейронной сети этого типа все перцептроны многослойны, так что входные слои принимают входные данные, а выходные слои генерируют выходные данные. В искусственной нейронной сети все узлы полностью связаны, что означает, что каждый перцептрон на одном уровне связан с каждым узлом на следующем уровне. Эти типы нейронных сетей лучше всего использовать в приложениях компьютерного зрения.
Многослойный персептрон:
У искусственных нейронных сетей есть недостаток, который нужно изучать с помощью обратного распространения, здесь на помощь приходят многослойные персептроны. Многослойные персептроны - это типы нейронных сетей, которые являются двунаправленными, то есть я имею в виду, что они распространяют вперед входные данные и обратное распространение весов. Здесь все нейроны в слое связаны со всеми нейронами в следующем слое.
Радиальные сети:
Многослойные персептроны могут использоваться в любом типе приложений для глубокого обучения, но они медленные из-за своей архитектуры, здесь на помощь приходят радиальные сети. Радиальные сети отличаются от всех типов нейронных сетей своей более высокой скоростью обучения. Разница между радиальной базисной сетью и искусственной нейронной сетью заключается в том, что радиальные базисные сети используют радиальную базисную функцию в качестве функции активации. Эту архитектуру лучше всего использовать, когда проблема основана на классификации.
Сверточные нейронные сети:
Сверточные нейронные сети - один из лучших типов нейронных сетей, которые можно использовать в любой задаче компьютерного зрения, особенно при классификации изображений. Вы можете использовать CNN для большинства задач компьютерного зрения, потому что он содержит несколько слоев нейронов, которые используются для понимания наиболее важных функций изображения. В сверточной нейронной сети первые слои нейронов используются для понимания функций более низкого уровня, а остальные слои нейронов используются для понимания функций высокого уровня.
Рекуррентные нейронные сети:
Рекуррентные нейронные сети - это типы искусственных нейронных сетей, в которых каждый нейрон, присутствующий внутри скрытого слоя, получает входные данные с определенной задержкой. Когда нам нужно получить доступ к предыдущему набору информации в текущих итерациях, лучше всего использовать повторяющиеся нейронные сети. Его можно использовать в очень сложных приложениях глубокого обучения, таких как системы машинного перевода и приложения для управления роботами.
Сети с долгосрочной краткосрочной памятью:
Сети Long Short Term Memory или LSTM используются в приложениях глубокого обучения, где данные обрабатываются с пропусками памяти. Лучшее в LSTM - это то, что они могут дольше запоминать данные. Итак, всякий раз, когда ваша нейронная сеть не может запомнить данные, вы можете использовать сети LSTM. Одно из приложений, где он широко используется, - это прогнозирование временных рядов. Таким образом, мы можем сказать, что если вы хотите использовать глубокое обучение для решения проблем, основанных на регрессии, вы можете использовать сети LSTM.
Резюме
Нейронная сеть - это подмножество машинного обучения, которое имитирует работу человеческого мозга при решении сложной проблемы, основанной на глубоком обучении. Вы должны знать 7 основных типов нейронных сетей:
- Перцептрон
- Искусственные нейронные сети
- Многослойный персептрон
- Радиальные сети
- Сверточные нейронные сети
- Рекуррентные нейронные сети
- Долговременная кратковременная память
Надеюсь, вам понравилась эта статья о типах нейронных сетей, которые вы должны знать как специалист по данным. Не стесняйтесь задавать свои ценные вопросы в разделе комментариев ниже.
