DNN(深度
神经网络),是
深度学习的基础。
DNN可以理解为有很多隐藏层的
神经网络。这个很多其实也没有什么度量标准, 多层
神经网络和深度
神经网络DNN其实也是指的一个东西,当然,
DNN有时也叫做多层
感知机(Multi-Layer perceptron,MLP)。
从
DNN按不同层的位置划分,
DNN内部的
神经网络层可以分为三类,输入层,隐藏层和输出层,如下图示例,一般来说第一层是输出层,最后一层是输出层,而中间的层数都是隐藏层。
CNN(卷积
神经网络),是一种前馈型的
神经网络,目前
深度学习技术领域中非常具有代表性的
神经网络之一。
CNN在大型图像处理方面有出色的表现,目前已经被大范围使用到图像分类、定位等领域中。相比于其他
神经网络结构,卷积
神经网络需要的参数相对较少,使的其能够广泛应用。
RNN(循环
神经网络),一类用于处理序列数据的
神经网络,
RNN最大的不同之处就是在层之间的神经元之间也建立的权连接。
从广义上来说,
DNN被认为包含了CNN、
RNN这些具体的变种形式。在实际应用中,深度
神经网络DNN融合了多种已知的结构,包含卷积层或
LSTM单元,特指全连接的神经元结构,并不包含卷积单元或时间上的关联。