我要评论【人工智能】深度学习：神经网络模型
计算重置门rtr_trt和候选状态h~t\tilde{h}_th~t
| 🎈边走、边悟🎈迟早会好 |
神经网络基础知识
神经网络（neural network）是一种模拟人脑神经元连接方式的计算模型。其基本组成部分是神经元（neurons），通过加权连接和激活函数构成复杂的网络结构。神经网络广泛应用于模式识别、分类和回归等领域。
bp神经网络的概念
bp神经网络（backpropagation neural network）是多层前馈神经网络的训练算法，通过误差反向传播调整网络权重以最小化输出误差。它主要包括以下步骤：
- 前向传播：输入数据通过网络传播，生成预测输出。
- 计算误差：预测输出与真实输出之间的差异。
- 反向传播：误差反向传播，通过梯度下降法调整网络权重。
单个神经元的结构
单个神经元的基本结构包括：
- 输入（input）：接收多个输入信号。
- 权重（weights）：每个输入信号乘以对应的权重。
- 加权和（weighted sum）：所有加权输入信号的和。
- 激活函数（activation function）：将加权和映射到输出信号。常用的激活函数包括sigmoid、relu、tanh等。
公式表示为： y=f(∑i=1nwixi+b)y = f\left( \sum_{i=1}^{n} w_i x_i + b \right)y=f(∑i=1nwixi+b) 其中，fff是激活函数，wiw_iwi是权重，xix_ixi是输入，bbb是偏置项。
cnn模型汇总
卷积神经网络（cnn）是一种专门处理图像数据的神经网络，具有卷积层、池化层和全连接层等结构。常见的cnn模型有lenet5、alexnet、vgg、inception net（googlenet）和resnet。
lenet5 模型
lenet5是最早的卷积神经网络之一，由yann lecun等人在1998年提出，用于手写数字识别。其结构包括：
- 输入层：28x28的灰度图像
- 卷积层c1：6个5x5的卷积核，输出6个24x24的特征图
- 池化层s2：平均池化层，输出6个12x12的特征图
- 卷积层c3：16个5x5的卷积核，输出16个8x8的特征图
- 池化层s4：平均池化层，输出16个4x4的特征图
- 卷积层c5：120个5x5的卷积核，输出120个1x1的特征图
- 全连接层f6：84个神经元
- 输出层：10个神经元（对应10个类别）
alexnet 模型
alexnet由alex krizhevsky等人在2012年提出，标志着深度学习在图像识别领域的突破。其结构包括：
- 卷积层1：96个11x11的卷积核，步长为4，输出96个55x55的特征图
- 池化层1：最大池化层，输出96个27x27的特征图
- 卷积层2：256个5x5的卷积核，步长为1，输出256个27x27的特征图
- 池化层2：最大池化层，输出256个13x13的特征图
- 卷积层3：384个3x3的卷积核，步长为1，输出384个13x13的特征图
- 卷积层4：384个3x3的卷积核，步长为1，输出384个13x13的特征图
- 卷积层5：256个3x3的卷积核，步长为1，输出256个13x13的特征图
- 池化层5：最大池化层，输出256个6x6的特征图
- 全连接层：4096个神经元
- 输出层：1000个神经元（对应1000个类别）
vgg模型
vggnet由simonyan和zisserman在2014年提出，其特点是使用非常小的卷积核（3x3）和较深的网络结构。常见的vgg模型包括vgg16和vgg19，分别包含16和19个卷积层和全连接层。其结构包括：
- 卷积层1-2：64个3x3的卷积核，步长为1，输出64个224x224的特征图
- 池化层1：最大池化层，输出64个112x112的特征图
- 卷积层3-4：128个3x3的卷积核，步长为1，输出128个112x112的特征图
- 池化层2：最大池化层，输出128个56x56的特征图
- 卷积层5-7：256个3x3的卷积核，步长为1，输出256个56x56的特征图
- 池化层3：最大池化层，输出256个28x28的特征图
- 卷积层8-12：512个3x3的卷积核，步长为1，输出512个28x28的特征图
- 池化层4：最大池化层，输出512个14x14的特征图
- 卷积层13-17：512个3x3的卷积核，步长为1，输出512个14x14的特征图
- 池化层5：最大池化层，输出512个7x7的特征图
- 全连接层：4096个神经元
- 输出层：1000个神经元（对应1000个类别）
inception net（googlenet）模型
inception net由google提出，主要特点是inception模块，能够在同一层上并行进行不同尺寸卷积和池化操作。其结构包括：
- 卷积层1：64个7x7的卷积核，步长为2，输出64个112x112的特征图
- 池化层1：最大池化层，输出64个56x56的特征图
- 卷积层2：192个3x3的卷积核，步长为1，输出192个56x56的特征图
- 池化层2：最大池化层，输出192个28x28的特征图
- inception模块：多个inception模块组合，不同尺寸的卷积核和池化层并行
- 全连接层：辅助分类器和主分类器
- 输出层：1000个神经元（对应1000个类别）
resnet （残差网络）
resnet由微软研究院提出，主要特点是引入残差连接，解决深度网络中的梯度消失和退化问题。其结构包括：
- 卷积层1：64个7x7的卷积核，步长为2，输出64个112x112的特征图
- 池化层1：最大池化层，输出64个56x56的特征图
- 残差模块：多个残差模块，每个模块包含多个卷积层和一个直接的残差连接
- 全连接层：1000个神经元
- 输出层：1000个神经元（对应1000个类别）
rnn模型（循环神经网络）
rnn是一种用于处理序列数据的神经网络，其特点是具有循环连接，能够保留序列信息。rnn在时间序列预测、自然语言处理等领域有广泛应用。
为什么需要rnn
传统神经网络在处理序列数据时无法保留之前的信息，而rnn通过循环连接，能够保留并利用序列中的上下文信息，使得其在处理时间序列数据时更为有效。
rnn结构
rnn的基本结构包括：
- 输入层：接收序列数据的每个时间步
- 隐藏层：通过循环连接保留前一个时间步的信息
- 输出层：输出每个时间步的结果
公式表示为： ht=f(wihxt+whhht−1+bh)h_t = f(w_{ih}x_t + w_{hh}h_{t-1} + b_h)ht=f(wihxt+whhht−1+bh) yt=g(whoht+bo)y_t = g(w_{ho}h_t + b_o)yt=g(whoht+bo) 其中，fff是隐藏层的激活函数，ggg是输出层的激活函数，www和bbb分别是权重和偏置项。
lstm（长短期记忆网络）模型
lstm是一种改进的rnn，能够有效解决长期依赖问题。其通过引入记忆单元和门控机制，控制信息的保留和遗忘。
lstm结构
lstm的基本结构包括：
- 遗忘门（forget gate）：决定是否丢弃上一时间步的记忆
- 输入门（input gate）：决定是否接受当前时间步的输入
- 记忆单元（memory cell）：保留重要信息
- 输出门（output gate）：决定输出哪些信息
公式表示为： ft=σ(wf⋅[ht−1,xt]+bf)f_t = \sigma(w_f \cdot [h_{t-1}, x_t] + b_f)ft=σ(wf⋅[ht−1,xt]+bf) it=σ(wi⋅[ht−1,xt]+bi)i_t = \sigma(w_i \cdot [h_{t-1}, x_t] + b_i)it=σ(wi⋅[ht−1,xt]+bi) c~t=tanh(wc⋅[ht−1,xt]+bc)\tilde{c}_t = \tanh(w_c \cdot [h_{t-1}, x_t] + b_c)c~t=tanh(wc⋅[ht−1,xt]+bc) ct=ft⋅ct−1+it⋅c~tc_t = f_t \cdot c_{t-1} + i_t \cdot \tilde{c}_tct=ft⋅ct−1+it⋅c~t ot=σ(wo⋅[ht−1,xt]+bo)o_t = \sigma(w_o \cdot [h_{t-1}, x_t] + b_o)ot=σ(wo⋅[ht−1,xt]+bo) ht=ot⋅tanh(ct)h_t = o_t \cdot \tanh(c_t)ht=ot⋅tanh(ct)
gru模型
gru（gated recurrent unit）是一种简化的lstm模型，减少了计算复杂度，保留了lstm的长短期记忆能力。
gru结构
gru的基本结构包括：
- 重置门（reset gate）：控制如何合并新输入和前一个时间步的记忆
- 更新门（update gate）：控制如何更新当前时间步的状态
公式表示为： rt=σ(wr⋅[ht−1,xt]+br)r_t = \sigma(w_r \cdot [h_{t-1}, x_t] + b_r)rt=σ(wr⋅[ht−1,xt]+br) zt=σ(wz⋅[ht−1,xt]+bz)z_t = \sigma(w_z \cdot [h_{t-1}, x_t] + b_z)zt=σ(wz⋅[ht−1,xt]+bz) h~t=tanh(wh⋅[rt⋅ht−1,xt]+bh)\tilde{h}_t = \tanh(w_h \cdot [r_t \cdot h_{t-1}, x_t] + b_h)h~t=tanh(wh⋅[rt⋅ht−1,xt]+bh) ht=(1−zt)⋅ht−1+zt⋅h~th_t = (1 - z_t) \cdot h_{t-1} + z_t \cdot \tilde{h}_tht=(1−zt)⋅ht−1+zt⋅h~t
计算重置门rtr_trt和候选状态h~t\tilde{h}_th~t
重置门rtr_trt控制前一个时间步的隐藏状态如何影响当前时间步的候选状态： rt=σ(wr⋅[ht−1,xt]+br)r_t = \sigma(w_r \cdot [h_{t-1}, x_t] + b_r)rt=σ(wr⋅[ht−1,xt]+br) 候选状态h~t\tilde{h}_th~t是当前时间步的潜在新信息： h~t=tanh(wh⋅[rt⋅ht−1,xt]+bh)\tilde{h}_t = \tanh(w_h \cdot [r_t \cdot h_{t-1}, x_t] + b_h)h~t=tanh(wh⋅[rt⋅ht−1,xt]+bh)
计算更新门ztz_tzt和当前状态hth_tht
更新门ztz_tzt决定当前时间步的隐藏状态如何更新： zt=σ(wz⋅[ht−1,xt]+bz)z_t = \sigma(w_z \cdot [h_{t-1}, x_t] + b_z)zt=σ(wz⋅[ht−1,xt]+bz) 当前时间步的隐藏状态hth_tht通过前一个隐藏状态和当前候选状态的加权和计算： ht=(1−zt)⋅ht−1+zt⋅h~th_t = (1 - z_t) \cdot h_{t-1} + z_t \cdot \tilde{h}_tht=(1−zt)⋅ht−1+zt⋅h~t
这些模型和概念构成了神经网络在图像识别、自然语言处理等领域的基础和核心技术。
| 🎈众口难调🎈从心就好 |
发表评论