Многослойные персептроны
Многослойный персептрон (MLP) — это класс искусственных нейронных сетей с прямой связью. Термин персептрон, в частности, относится к модели одного нейрона, которая является предшественником более крупной нейронной сети. MLP состоит из трех основных слоев узлов — входного слоя, скрытого слоя и выходного слоя. В скрытом и выходном слоях каждый узел рассматривается как нейрон, использующий нелинейную функцию активации. MLP использует технику контролируемого обучения, называемую обратным распространением для обучения. При инициализации нейронной сети для каждого нейрона устанавливаются веса. Обратное распространение помогает корректировать веса нейронов, чтобы получить результат ближе к ожидаемому. MLP лучше всего подходят для проектов, связанных с наборами табличных данных, задачами прогнозирования классификации и задачами прогнозирования регрессии.
========================
Сверточная нейронная сеть
Модель сверточной нейронной сети (CNN) обрабатывает данные, имеющие структуру сетки, например изображения. Он предназначен для автоматического изучения пространственной иерархии объектов. CNN обычно состоит из трех типов слоев, также называемых блоками — свертки, объединения и полносвязных слоев.
Слои свертки и пула выполняют извлечение признаков, и эти извлеченные признаки сопоставляются с окончательным результатом полностью подключенным слоем. CNN лучше всего подходит для обработки изображений.Некоторые области применения CNN включают распознавание изображений, классификацию изображений, обнаружение объектов и распознавание лиц.
=========================
Сеть Deep Belief Network
Сети Deep Belief Network (DBN) используют вероятности и неконтролируемое обучение для создания выходных данных. DBN состоят из двоичных скрытых переменных, неориентированных слоев и направленных слоев. DBN отличаются от других моделей, поскольку каждый уровень регулируется по порядку, и каждый из них изучает весь ввод. В DBN скрытый слой каждой подсети является видимым слоем для следующего. Эта композиция обеспечивает быструю послойную неконтролируемую процедуру обучения, в которой контрастное расхождение применяется к каждой подсети, начиная с самого нижнего видимого слоя. Алгоритмы жадного обучения используются для обучения DBN. Обучение проходит по одному слою за раз. Следовательно, каждый уровень получает разные версии данных, и каждый уровень использует выходные данные предыдущего уровня в качестве входных данных.
DBN находят основные применения в распознавании изображений, распознавании видео и данных захвата движения.