【神经网络】综合篇——人工神经网络、卷积神经网络、循环神经网络、生成对抗网络

前言

本文综合整理常用的神经网络，包括生物神经网络、人工神经网络、卷积神经网络、循环神经网络、生成对抗网络；参考了许多高校的课程、论文、博客和视频等。文章的结构是先进行概念了解，然后结合图片、结构图、一步一步详细讲解；大家要不看看？ ( •̀ ω •́ )y

一、人工神经网络

简介：人工神经网络 (Artificial Neural Network, ANN)，由人工神经元构成的网络，模拟人类的大脑；它模拟生物过程以反映人脑某些特征的计算结构。

联系：人工神经元模拟生物神经元；人工神经网络模拟人类的大脑，模拟生物神经网络。

特点：人工神经网络是一个并行、分布处理结构，具有学习能力、泛化能力。

功能：联想记忆功能、非线性映射功能、分类与识别功能、知识处理功能。

详细介绍：一篇文章“简单”认识《人工神经网络》(更新版)

目录大纲：

1 前言
2 人类大脑
3 生物神经网络
4 生物神经元
5 人工神经元
6 人工神经网络6.1 单层神经网络
6.2 多层神经网络
6.3 前向传播
6.4 损失函数
6.5 梯度下降方法
6.6 反向传播算法

7 特点

8 功能

9 小结

参考

单层神经网络，如下所示图： ( •̀ ω •́ )y

二、卷积神经网络

简介

卷积神经网络（Convolutional Neural Network, CNN），通过卷积层与池化层的叠加实现对输入数据的特征提取，最后连接全连接层实现分类。对于图像处理有出色表现，在计算机视觉中得到了广泛的应用。

联系

动物视觉系统对外界的感知是：

视觉皮层的每个神经元只响应某些特定区域的刺激（感受野）
从局部到全局（信息分层处理机制）

卷积神经网络：

每个神经元只需对局部图像进行感知；
在更高层将局部的信息综合起来，得到全局信息；

结构：主要由卷积层+池化层+全连接层组成的。

应用：图像分类、目标检测、目标跟踪、语义分割、实例分割等。

详细介绍：一篇文章“简单”认识《卷积神经网络》(更新版)

目录大纲：

1 前言
2 基于什么提出卷积神经网络？
3 卷积（Convolution）
3.1 卷积操作
3.2 多层卷积层
4 池化（Pooling）
5 全连接层
6 特征维度变化
7 CNN核心思想——参数共享
8 优势
9 经典的卷积神经网络
10 卷积神经网络应用
参考

基本卷积神经网络，如下所示图： ( •̀ ω •́ )y

三、循环神经网络

简介：循环神经网络（Recurrent Neural Networks，RNN），是一种反馈网络，模拟“人脑记忆功能”，常用于语言识别、机器翻译、视频分析、生成图像描述等。

背景：人工神经网络、卷积神经网络是前馈网络；前馈神经网络是一个静态网络，信息的传递是单向的，网络的输出只依赖于当前的输入，不具备记忆能力。前馈神经网络处理的数据是一个一个输入的，前后数据没有关系的。实际生活中，很多数据都是有上下文相关性的，这些数据称为序列数据；处理的时候，不能只考虑当前的输入就进行判断，需要考虑前后之间关系。

这时需要使用“循环神经网络”，它能有效处理序列特性的数据，它能挖掘数据中的时序信息以及语义信息。

结构：循环神经网络由循环体堆叠而成；

详细介绍：一篇文章“简单”认识《循环神经网络》(更新版)

应用：主要在自然语言处理方向应用；

文档分类和时间序列分析（识别文章的主题）
时间序列对比　　（比较两个文档的相关程度）
序列到序列的学习（中文翻译为英文）
情感分析　　　　（推文或电影评论的情感划分为正面或负面）
世间序列预测　　（根据最近的天气数据来预测未来天气）

目录大纲：

1 前言
2 循环体
3 循环神经网络
4 LSTM网络
5 循环神经网络应用
参考

循环体及其按时间展开后的效果： ( •̀ ω •́ )y

四、生成对抗网络

简介：生成对抗网络（GAN，generative adversarial network），是一种常用于学习类别特征的神经网络结构；主要有两部分组成，分别是生成网络、判别网络。

背景：在监督学习中，训练集需要大量的人工标注数据，并且需要人工判断生成结构好坏，这个过程是高成本且低效率的；GAN能自动完成这个过程，效率高成本低。

详细介绍：一篇文章“简单”认识《生成对抗网络》(GAN)

应用：GAN 的应用十分广泛，它的应用包括图像合成、图像编辑、风格迁移、图像超分辨率以及图像转换，数据增强等。

目录大纲：

1 前言
2 生成对抗网络应用
2.1 风格迁移
2.2 图像生成
2.3 音乐创作
3 生成学习算法
4 生成对抗网络
4.1 GAN的简要实现流程
4.2 GAN算法实现要点
5 MNIST 案例
6 GAN优点
7 GAN缺点
8 文献学习
1. Generative Adversarial Networks
2. Conditional GANs
3. DCGAN
4. Improved Techniques for Training GANs
5. Pix2Pix
6. CycleGAN
7. Progressively Growing of GANs
8. BigGAN
9.NAS