神经网络是人工智能中深度学习的一个重要技术，但是神经网络也是具有一定的局限性的，在处理特殊场景的时候会有一点麻烦，然而现在有一种特殊的方式使得神经网络能够比以前更强大，这种技术就是复合型神经网络。那么复合性神经网络有什么优点呢？下面我们就给大家介绍一下这个概念。

其实如果要想了解复合性神经网络，就需要知道复合性的原则，而复合性是一条通用原则，我们可以把它描述为一种相信世界是可知的信念，我们可以把事物分解、理解它们，然后在意念中自由地重新组合它们。这其中的关键假设是，事物都是按照某一套法则从基础的子结构复合成更大的结构的。这意味着，我们可以从有限的数据中学习到子结构和组合法则，然后把它们泛化到复合性的情境中。

当然，复合性神经网络和深度神经网络不同，复合性模型需要结构化的表征，其中要显式地表示出对象的结构和子结构。复合性模型也就拥有了外推到未曾见过的数据，对系统做推理、干涉和诊断，以及对于同样的知识结构回答不同问题的能力。

而复合性模型这个概念的优点已经在一些任务上得到了初步验证，在识别方面上，复合性神经网络的识别能力高于深度神经网络的能力，深度神经网络就无法维持高水平的表现。还有一些非平凡的视觉任务也表现出了相同的趋势，要推测最后一张的内容；图像之间的变化规律是复合性的，而且会有干扰。对于神经模块网络之类的自然语言模型，由于它们具有动态的网络结构，可以捕捉到一些有意义的组合，就可以在这样的任务中击败传统的神经网络。

当然，复合性模型也还有许多理想的理论属性，在可解释和生成样本表现十分出色。这可以让我们更方便地诊断错误，也就比深度神经网络这样的黑盒模型更难以被欺骗。但是复合性模型也很难学习，因为它需要同时学习基础结构和复合方法。而且，为了能够以生成的方式进行分析，复合性模型还需要搭配物体和场景的生成式模型。按分类生成图像到现在都还是一个有难度的课题。

当然还有更基础的知识，也就是说处理组合爆炸的问题还需要学习到三维世界事物的常识模型，以及学会这些模型和图像的对应关系。我们在这篇文章中给大家介绍了很多关于复合性模型的优点，这些优点都得到了工程师们的一致好评。相信在未来，会有更多的模型解决更多的问题。