炼丹侠必知的11大神经网络结构汇总！
炼丹侠必知的11大神经网络结构汇总！
随着深度学习的快速发展，目前已经出现了海量的不同结构的神经网络，本文介绍11种炼丹师都需要知道一点的神经网络结构。
1.Perceptron
感知机是所有神经网络的基础，主要由全连接层组成，下面是感知机示意图。
2.Feed-Forward Network(FNN)
FNN是有Perceptron组合得到的，由输入层、隐藏层和输出层组成，其结构如下：
3.Residual Networks (ResNet)
深度神经网络最大问题就是当网络深度达到一定程度时就会出现消失梯度的问题，导致模型训练不佳，为了缓解该问题，我们设计了残差网络。它通过一个“跳跃”层传播信息号，大大缓解了梯度消失的问题。
4.Recurrent Neural Network (RNN)
递归神经网络是早期处理序列问题的始祖，它包含循环，并在自身上进行递归，因此得名“递归”。RNN允许将信息存储在网络中，并使用先前训练中的推理，对即将发生的事件做出更好、更明智的决策。
5.Long Short Term Memory Network (LSTM)
RNN最大的问题在于，一旦处理的序列较长的时候，例如100，RNN的效果就会大大变差，所以大家设计了LSTM，LSTM可以处理大约300左右长度的序列，这也是为什么目前LSTM在序列化的问题中还经常被使用的原因。
6.Echo State Networks(ESN)
回声状态网络由输入层、隐藏层(即储备池)、输出层组成，是递归神经网络的一种变体，它有一个非常稀疏连接的隐层（通常是百分之一左右的连通性）。神经元的连接和权值是随机分配的，忽略层和神经元的差异（跳跃连接）。ESN将隐藏层设计成一个具有很多神经元组成的稀疏网络，通过调整网络内部权值的特性达到记忆数据的功能。
7.Convolutional Neural Network (CNN)
CNN早期在图像中取得了巨大的成功，在今日，CNN仍然是不可或缺的一部分。因为图像数据有着非常高的维度，训练一个标准网络训练图像（例如简单的MLP）都需要数十万个输入神经元，除了明显的高计算开销外，还会导致许多与神经网络维数灾难相关的问题。CNN则利用卷积层来帮助降低图像的维数，不仅大大降低了训练的参数，而且在效果上也取得了巨大的提升。
8.Deconvolutional Neural Network (DNN)
反卷积神经网络，顾名思义，其性能与卷积神经网络相反。DNN并不是通过卷积来降低来图像的维数，而是利用反卷积来创建图像，一般是从噪声中生成的。DNN还经常用于寻找丢失的特征或信号，这些特征或信号以前可能被认为对卷积神经网络的任务并不重要。一个信号可能由于与其他信号卷积而丢失。信号的Deconvolution可以用于图像合成和分析。
9.Generative Adversarial Network (GAN)
生成性对抗网络是一种专门设计用来生成图像的网络，它由两个网络组成：一个生成器和一个判别器。判别器的任务是区分图像是从数据集中提取的还是由生成器生成的，生成器的任务是生成虚假的图像，尽可能使得判别器无法区分图像是否真实，目前GAN生成的图像很多都是栩栩如生，甚至达到了以假乱真的程度。
10.Auto Encoder (AE)
自动编码器的应用非常广，包括模型压缩、数据去噪、异常检测、推荐系统等等。其基本思想是将原始的高维数据“压缩”、低维的数据，然后将压缩后的数据投影到一个新的空间中。
11.Variational Auto Encoder (VAE)
自动编码器学习输入的压缩表示，而变分自动编码器（VAE）学习表示数据的概率分布的参数。它不只是学习表示数据的函数，而是获得更详细和细致的数据视图，从分布中采样并生成新的输入数据样本。所以VAE更像是一个“生成”模式，类似于GAN。
11 Essential Neural Network Architectures, Visualized & Explained deconvolutional networks
