深度学习总结

标签：strong   处理   学习   对应关系   文本   单元   时间序列   类型   假设   

输入模式与网络架构间的对应关系：

• 向量数据：密集连接网络（Dense层）
• 图像数据：二维卷积神经网络
• 声音数据（比如波形）：一维卷积神经网络（首选）或循环神经网络
• 文本数据：一维卷积神经网络（首选）或循环神经网络
• 时间序列数据：循环神经网络（首选）或一维卷积神经网络
• 其他类型的序列数据：循环神经网络或一维卷积神经网络。如果数据顺序非常重要（比如时间序列，但文本不是），那么首选循环神经网络
• 视频数据：三维卷积神经网络（如果需要捕捉运动效果），或者帧级的二维神经网络（用于特征提取）+循环神经网络或一维卷积神经网络（用于处理得到的序列）
• 立体数据：三维卷积神经网络

三种网络架构：

• 1.密集连接网络
• 2.卷积网络
• 3.循环网络

1.密集连接网络

密集连接网络是Dense层的队列，用于处理向量数据（向量批量）。这种网络假设输入特征中没有特定结构：之所以叫作密集连接，是因为Dense层的每个单元都和其他所有单元相连接；

深度学习总结

标签：strong   处理   学习   对应关系   文本   单元   时间序列   类型   假设   

原文地址：https://www.cnblogs.com/nxf-rabbit75/p/10123737.html