1.? 人工神經網絡的分類

按性能分：連續型和離散型網絡，或確定型和隨機型網絡。

按拓撲結構分：前向網絡和反饋網絡。

前向網絡有自適應線性神經網絡(AdaptiveLinear，簡稱Adaline)、單層感知器、多層感知器、BP等。

前向網絡，網絡中各個神經元接受前一級的輸入，并輸出到下一級，網絡中沒有反饋，可以用一個有向無環路圖表示。這種網絡實現信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數的多次復合。網絡結構簡單，易于實現。反傳網絡是一種典型的前向網絡。

反饋網絡有Hopfield、Hamming、BAM等。

反饋網絡，網絡內神經元間有反饋，可以用一個無向的完備圖表示。這種神經網絡的信息處理是狀態的變換，可以用動力學系統理論處理。系統的穩定性與聯想記憶功能有密切關系。Hopfield網絡、波耳茲曼機均屬于這種類型。

2、人工神經網絡發展

2.1 感知機

神經網絡技術起源于上世紀五、六十年代，當時叫感知機（perceptron），擁有輸入層、輸出層和一個隱含層。輸入的特征向量通過隱含層變換達到輸出層，在輸出層得到分類結果。早期感知機的推動者是Rosenblatt。但是，Rosenblatt的單層感知機有一個嚴重得不能再嚴重的問題，對于計算稍微復雜的函數其計算力顯得無能為力。

2.2 多層感知機的出現

隨著數學的發展，這個缺點直到上世紀八十年代才被Rumelhart、Williams、Hinton、LeCun等人發明的多層感知機（multilayer perceptron)克服。多層感知機，顧名思義，就是有多個隱含層的感知機。

多層感知機可以擺脫早期離散傳輸函數的束縛，使用sigmoid或tanh等連續函數模擬神經元對激勵的響應，在訓練算法上則使用Werbos發明的反向傳播BP算法。對，這就是我們現在所說的神經網絡( NN)！多層感知機解決了之前無法模擬異或邏輯的缺陷，同時更多的層數也讓網絡更能夠刻畫現實世界中的復雜情形。多層感知機給我們帶來的啟示是，神經網絡的層數直接決定了它對現實的刻畫能力——利用每層更少的神經元擬合更加復雜的函數。

即便大牛們早就預料到神經網絡需要變得更深，但是有一個夢魘總是縈繞左右。隨著神經網絡層數的加深，優化函數越來越容易陷入局部最優解，并且這個“陷阱”越來越偏離真正的全局最優。利用有限數據訓練的深層網絡，性能還不如較淺層網絡。同時，另一個不可忽略的問題是隨著網絡層數增加，“梯度消失”現象更加嚴重。具體來說，我們常常使用 sigmoid 作為神經元的輸入輸出函數。對于幅度為1的信號，在BP反向傳播梯度時，每傳遞一層，梯度衰減為原來的0.25。層數一多，梯度指數衰減后低層基本上接受不到有效的訓練信號。

2.3 （DNN）神經網絡“具有深度”

2006年，Hinton利用預訓練方法緩解了局部最優解問題，將隱含層推動到了7層(參考論文：Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science, 2006, 313(5786):504-507.)，神經網絡真正意義上有了“深度”，由此揭開了深度學習的熱潮。這里的“深度”并沒有固定的定義——在語音識別中4層網絡就能夠被認為是“較深的”，而在圖像識別中20層以上的網絡屢見不鮮。為了克服梯度消失，ReLU、maxout等傳輸函數代替了 sigmoid，形成了如今 DNN 的基本形式。單從結構上來說，全連接的DNN和上圖的多層感知機是沒有任何區別的。值得一提的是，今年出現的高速公路網絡（highway network）和深度殘差學習（deep residual learning）進一步避免了梯度彌散問題，網絡層數達到了前所未有的一百多層（深度殘差學習：152層，具體去看何愷明大神的paper）！

2.4 CNN（卷積神經網絡）的出現

我們看到全連接DNN的結構里下層神經元和所有上層神經元都能夠形成連接，帶來的潛在問題是參數數量的膨脹。假設輸入的是一幅像素為1K*1K的圖像，隱含層有1M個節點，光這一層就有10^12個權重需要訓練，這不僅容易過擬合，而且極容易陷入局部最優。另外，圖像中有固有的局部模式（比如輪廓、邊界，人的眼睛、鼻子、嘴等）可以利用，顯然應該將圖像處理中的概念和神經網絡技術相結合。此時我們可以祭出題主所說的卷積神經網絡CNN。對于CNN來說，并不是所有上下層神經元都能直接相連，而是通過“卷積核”作為中介。同一個卷積核在所有圖像內是共享的，圖像通過卷積操作后仍然保留原先的位置關系。

通過一個例子簡單說明卷積神經網絡的結構。假設我們需要識別一幅彩色圖像，這幅圖像具有四個通道 ARGB （透明度和紅綠藍，對應了四幅相同大小的圖像），假設卷積核大小為 3?3 共使用100個卷積核w1到w100（從直覺來看，每個卷積核應該學習到不同的結構特征）。用w1在ARGB圖像上進行卷積操作，可以得到隱含層的第一幅圖像；這幅隱含層圖像左上角第一個像素是四幅輸入圖像左上角 3?3 區域內像素的加權求和，以此類推。同理，算上其他卷積核，隱含層對應100幅“圖像”。每幅圖像對是對原始圖像中不同特征的響應。按照這樣的結構繼續傳遞下去。CNN中還有 max-pooling 等操作進一步提高魯棒性。

我們注意到，對于圖像，如果沒有卷積操作，學習的參數量是災難級的。CNN之所以用于圖像識別，正是由于CNN模型限制了參數的個數并挖掘了局部結構的這個特點。順著同樣的思路，利用語音語譜結構中的局部信息，CNN照樣能應用在語音識別中。在普通的全連接網絡或CNN中，每層神經元的信號只能向上一層傳播，樣本的處理在各個時刻獨立，因此又被成為前向神經網絡(Feed-forward Neural Networks)。

2.5 RNN（循環神經網絡）的出現

全連接的DNN還存在著另一個問題——無法對時間序列上的變化進行建模。然而，樣本出現的時間順序對于自然語言處理、語音識別、手寫體識別等應用非常重要。對了適應這種需求，就出現了另一種神經網絡結構——循環神經網絡RNN。而在RNN中，神經元的輸出可以在下一個時間戳直接作用到自身，即第i層神經元在m時刻的輸入，除了（i?1）層神經元在該時刻的輸出外，還包括其自身在（m?1）時刻的輸出。

RNN可以看成一個在時間上傳遞的神經網絡，它的深度是時間的長度！正如我們上面所說，“梯度消失”現象又要出現了，只不過這次發生在時間軸上。對于t時刻來說，它產生的梯度在時間軸上向歷史傳播幾層之后就消失了，根本就無法影響太遙遠的過去。因此，之前說“所有歷史”共同作用只是理想的情況，在實際中，這種影響也就只能維持若干個時間戳。為了解決時間上的梯度消失，機器學習領域發展出了長短時記憶單元 LSTM，通過門的開關實現時間上記憶功能，并防止梯度消失

3 結束語

事實上，不論是那種網絡，他們在實際應用中常常都混合著使用，比如CNN和RNN在上層輸出之前往往會接上全連接層，很難說某個網絡到底屬于哪個類別。不難想象隨著深度學習熱度的延續，更靈活的組合方式、更多的網絡結構將被發展出來。盡管看起來千變萬化，但研究者們的出發點肯定都是為了解決特定的問題。對于想進行這方面的研究的朋友，不妨仔細分析一下這些結構各自的特點以及它們達成目標的手段。

總結

以上是生活随笔為你收集整理的人工神经网络模型与分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。