在圖像識別領域，深度學習的應用最為廣泛，深度學習分為不同的模型，如前饋神經網絡(DNN)、卷積神經網絡(CNN)、遞歸神經網絡(RNN)等。
DNN:有壹個問題——不可能對時間序列的變化進行建模。然而，樣本的時間序列對於自然語言處理、語音識別、手寫識別等應用非常重要。為了滿足這種需求，另壹種神經網絡結構——循環神經網絡RNN應運而生。
從廣義上來說，NN(或者更美的DNN)確實可以被視為包括CNN和RNN。在實際應用中，所謂的深度神經網絡DNN往往結合了許多已知的結構，包括卷積層或LSTM單元。
在大量數據面前，dnn(relu)的效果並不比預先訓練好的深度學習結構差。最終，DBN也被視為“壹代楷模”。CNN也沒有預訓練過程，訓練算法也用BP。因為添加卷積可以更好地處理2D數據，如圖像和聲音。
根據DNN不同層的位置，DNN內部的神經網絡層可以分為三類，輸入層、隱含層和輸出層，如下圖所示。壹般來說，第壹層是輸出層，最後壹層是輸出層，中間幾層是隱藏層。
銳化卷積核中心的系數大於1，周圍八個系數之和的絕對值比中間系數小1，會放大壹個像素與其周圍像素的色差，最終圖像會比原圖更清晰。
卷積神經網絡(CNN)和遞歸神經網絡(RNN)有什麽區別？
DNN:有壹個問題——不可能對時間序列的變化進行建模。然而，樣本的時間序列對於自然語言處理、語音識別、手寫識別等應用非常重要。為了滿足這種需求，另壹種神經網絡結構——循環神經網絡RNN應運而生。
CNN在大規模圖像處理方面有著優異的性能，已經廣泛應用於圖像分類、定位等領域。與其他神經網絡結構相比，卷積神經網絡需要的參數相對較少，這使得它得到了廣泛的應用。
從廣義上來說，NN(或者更美的DNN)確實可以被視為包括CNN和RNN。在實際應用中，所謂的深度神經網絡DNN往往結合了許多已知的結構，包括卷積層或LSTM單元。
CNN、RNN和DNN的內部網絡結構有什麽不同？
1.從廣義上來說，NN(或者更美的DNN)真的可以視為包括CNN和RNN。在實際應用中，所謂的深度神經網絡DNN往往結合了許多已知的結構，包括卷積層或LSTM單元。
2.RNN(循環神經網絡)，壹種用於處理序列數據的神經網絡。RNN最大的不同是層與層之間神經元的加權連接。從廣義上講，DNN被認為包括特定的變體，如CNN和RNN。
3.區別在於流通層。卷積神經網絡沒有時間序列的概念，輸入和輸出直接掛鉤；遞歸神經網絡是順序的，當前決策與先前決策相關。
CNN和RNN在文本分類上的差異
1，區別在於流通層。卷積神經網絡沒有時間序列的概念，輸入和輸出直接掛鉤；遞歸神經網絡是順序的，當前決策與先前決策相關。
2.CNN:每壹層神經元的信號只能傳播到下壹層，每個時刻對樣本的處理是獨立的，所以也叫前饋神經網絡。
3.從廣義上來說，NN(或者更美的DNN)真的可以視為包括CNN和RNN。在實際應用中，所謂的深度神經網絡DNN往往結合了許多已知的結構，包括卷積層或LSTM單元。
4.CNN的語音識別的特征通常是聲譜圖，類似於圖片識別的處理方法。還可以使用filtersize根據過去和未來的信息來判斷當前的內容。但是，由於規模固定，longdependence不如LSTM。