easyAI笔记——深度学习

CNN

CNN 的价值：

1. 能够将⼤数据量的图⽚有效的降维成⼩数据量(并不影响结果)
2. 能够保留图⽚的特征，类似⼈类的视觉原理

CNN 的基本原理：

1. 卷积层 – 主要作⽤是保留图⽚的特征
2. 池化层 – 主要作⽤是把数据降维，可以有效的避免过拟合
3. 全连接层 – 根据不同任务输出我们想要的结果

CNN 的实际应⽤：

1. 图⽚分类、检索
2. ⽬标定位检测
3. ⽬标分割
4. ⼈脸识别

RNN

RNN 跟传统神经⽹络最⼤的区别在于每次都会将前⼀次的输出结果，带到下⼀次的隐藏层中。

⻓短期记忆⽹络 – LSTM
在标准的 RNN 中，只有单个 tanh 层，只保留重要的信息。

GRU 是 LSTM 的⼀个变体。保留了 LSTM 划重点，遗忘不重要信息的特点，在long-term 传播的时候也不会被丢失。在训练数据集⽐较⼤的情况下可以节省很多时间。

RNN的独特价值在于：它能有效的处理序列数据。
基于 RNN 出现了 LSTM 和 GRU 等变种算法。这些变种算法主要有⼏个特点：

1. ⻓期信息可以有效的保留
2. 挑选重要信息保留，不重要的信息会选择“遗忘”
   RNN ⼏个典型的应⽤如下：
3. ⽂本⽣成
4. 语⾳识别
5. 机器翻译
6. ⽣成图像描述
7. 视频标记

GANs

初衷：⾃动化
⽣成对抗⽹络（GANs）由2个重要的部分构成：

1. ⽣成器(Generator)：通过机器⽣成数据（⼤部分情况下是图像），⽬的是“骗过”判别器
2. 判别器(Discriminator