<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                # 何時使用 MLP,CNN 和 RNN 神經網絡 > 原文: [https://machinelearningmastery.com/when-to-use-mlp-cnn-and-rnn-neural-networks/](https://machinelearningmastery.com/when-to-use-mlp-cnn-and-rnn-neural-networks/) **什么神經網絡適合您的預測建模問題?** 對于初學者來說,深度學習領域很難知道要使用什么類型的網絡。有許多類型的網絡可供選擇,每天都會發布和討論新的方法。 更糟糕的是,大多數神經網絡足夠靈活,即使在使用錯誤類型的數據或預測問題時也可以工作(進行預測)。 在這篇文章中,您將發現三種主要類型的人工神經網絡的建議用法。 閱讀這篇文章后,你會知道: * 在處理預測建模問題時要關注哪種類型的神經網絡。 * 何時使用,不使用,并可能嘗試在項目中使用 MLP,CNN 和 RNN。 * 在選擇模型之前,要考慮使用混合模型并清楚了解項目目標。 讓我們開始吧。 ![When to Use MLP, CNN, and RNN Neural Networks](https://img.kancloud.cn/5c/7c/5c7c3bd1baebd362212e22005fd5bc61_640x427.png) 何時使用 MLP,CNN 和 RNN 神經網絡 照片由 [PRODAVID S. FERRY III,DDS](https://www.flickr.com/photos/drdavidferry/15365735518/) ,保留一些權利。 ## 概觀 這篇文章分為五個部分;他們是: 1. 什么神經網絡要關注? 2. 何時使用多層感知器? 3. 何時使用卷積神經網絡? 4. 何時使用遞歸神經網絡? 5. 混合網絡模型 ## 什么神經網絡要關注? [深度學習](https://machinelearningmastery.com/what-is-deep-learning/)是使用現代硬件的人工神經網絡的應用。 它允許開發,訓練和使用比以前認為可能更大(更多層)的神經網絡。 研究人員提出了數千種類型的特定神經網絡,作為對現有模型的修改或調整。有時是全新的方法。 作為一名從業者,我建議您等到模型出現后普遍適用。很難從每天或每周發布的大量出版物的噪音中梳理出一般效果良好的信號。 有三類人工神經網絡我建議您一般關注。他們是: * 多層感知器(MLP) * 卷積神經網絡(CNN) * 遞歸神經網絡(RNN) 這三類網絡提供了很大的靈活性,并且經過數十年的證明,它們在各種各樣的問題中都是有用和可靠的。他們還有許多子類型來幫助他們專注于預測問題和不同數據集的不同框架的怪癖。 現在我們知道要關注哪些網絡,讓我們看看何時可以使用每一類神經網絡。 ## 何時使用多層感知器? 多層感知器(簡稱 MLP)是經典類型的神經網絡。 它們由一層或多層神經元組成。數據被饋送到輸入層,可能存在提供抽象級別的一個或多個隱藏層,并且在輸出層(也稱為可見層)上進行預測。 有關 MLP 的更多詳細信息,請參閱帖子: * [多層感知器神經網絡速成課程](https://machinelearningmastery.com/neural-networks-crash-course/) ![Model of a Simple Network](https://img.kancloud.cn/d8/0a/d80a7a03f4b3c75c654b529b292a9495_300x196.png) 簡單網絡的模型 MLP 適用于分類預測問題,其中輸入被分配類或標簽。 它們也適用于回歸預測問題,其中在給定一組輸入的情況下預測實值數量。數據通常以表格格式提供,例如您可以在 CSV 文件或電子表格中看到。 **使用 MLP:** * 表格數據集 * 分類預測問題 * 回歸預測問題 它們非常靈活,通常可用于學習從輸入到輸出的映射。 這種靈活性允許它們應用于其他類型的數據。例如,圖像的像素可以減少到一行長數據并饋送到 MLP 中。文檔的單詞也可以縮減為一行長數據并饋送到 MLP。甚至對時間序列預測問題的滯后觀察也可以減少為長行數據并饋送到 MLP。 因此,如果您的數據采用的不是表格數據集,例如圖像,文檔或時間序列,我建議至少測試一個 MLP 來解決您的問題。結果可用作比較的基線點,以確認可能看起來更適合的其他模型增加價值。 **試用 MLP:** * 圖像數據 * 文本數據 * 時間序列數據 * 其他類型的數據 ## 何時使用卷積神經網絡? 卷積神經網絡(CNN)被設計用于將圖像數據映射到輸出變量。 事實證明它們非常有效,它們是涉及圖像數據作為輸入的任何類型的預測問題的首選方法。 有關 CNN 的更多詳細信息,請參閱帖子: * [用于機器學習的卷積神經網絡的速成課程](https://machinelearningmastery.com/crash-course-convolutional-neural-networks/) 使用 CNN 的好處是它們能夠開發二維圖像的內部表示。這允許模型在數據中的變體結構中學習位置和比例,這在處理圖像時很重要。 **使用 CNN:** * 圖像數據 * 分類預測問題 * 回歸預測問題 更一般地,CNN 與具有空間關系的數據一起工作良好。 CNN 輸入傳統上是二維的,場或矩陣,但也可以改變為一維,允許它開發一維序列的內部表示。 這允許 CNN 更普遍地用于具有空間關系的其他類型的數據。例如,文本文檔中的單詞之間存在順序關系。在時間序列的時間步長中存在有序關系。 雖然不是專門為非圖像數據開發的,但 CNN 在諸如情緒分析中使用的文檔分類和相關問題等問題上實現了最先進的結果。 **嘗試打開 CNN:** * 文字數據 * 時間序列數據 * 序列輸入數據 ## 何時使用遞歸神經網絡? 回歸神經網絡(RNN)被設計用于處理序列預測問題。 序列預測問題有多種形式,最好用支持的輸入和輸出類型來描述。 序列預測問題的一些例子包括: * **一對多**:作為輸入的觀察映射到具有多個步驟作為輸出的序列。 * **多對一**:作為輸入映射到類或數量預測的多個步驟的序列。 * **多對多**:作為輸入的多個步驟的序列映射到具有多個步驟作為輸出的序列。 多對多問題通常被稱為序列到序列,或簡稱為 seq2seq。 有關序列預測問題類型的更多詳細信息,請參閱帖子: * [回歸神經網絡序列預測模型的簡要介紹](https://machinelearningmastery.com/models-sequence-prediction-recurrent-neural-networks/) 傳統的神經網絡傳統上難以訓練。 長短期內存或 LSTM 網絡可能是最成功的 RNN,因為它克服了訓練經常性網絡的問題,并且反過來已經用于廣泛的應用。 有關 RNN 的更多詳細信息,請參閱帖子: * [深度學習的回歸神經網絡崩潰課程](https://machinelearningmastery.com/crash-course-recurrent-neural-networks-deep-learning/) 一般而言,RNNs 和 LSTM 在處理單詞和段落序列時最為成功,通常稱為自然語言處理。 這包括以時間序列表示的文本序列和口語序列。它們還用作生成模型,需要序列輸出,不僅需要文本,還需要生成手寫等應用程序。 **使用 RNN:** * 文字數據 * 語音數據 * 分類預測問題 * 回歸預測問題 * 生成模型 正如您在 CSV 文件或電子表格中看到的那樣,遞歸神經網絡不適用于表格數據集。它們也不適合圖像數據輸入。 **請勿使用 RNN:** * 表格數據 * 圖像數據 RNN 和 LSTM 已經在時間序列預測問題上進行了測試,但結果卻很差,至少可以說。自回歸方法,甚至線性方法通常表現得更好。 LSTM 通常優于應用于相同數據的簡單 MLP。 有關此主題的更多信息,請參閱帖子: * [關于長短期記憶網絡對時間序列預測的適用性](https://machinelearningmastery.com/suitability-long-short-term-memory-networks-time-series-forecasting/) 然而,它仍然是一個活躍的領域。 **也許嘗試使用 RNN:** * 時間序列數據 ## 混合網絡模型 CNN 或 RNN 模型很少單獨使用。 這些類型的網絡在更廣泛的模型中用作層,其也具有一個或多個 MLP 層。從技術上講,這些是混合類型的神經網絡架構。 也許最有趣的工作來自將不同類型的網絡混合在一起成為混合模型。 例如,考慮使用一堆層的模型,其中輸入為 CNN,中間為 LSTM,輸出為 MLP。像這樣的模型可以讀取一系列圖像輸入,例如視頻,并生成預測。這被稱為 [CNN LSTM 架構](https://machinelearningmastery.com/cnn-long-short-term-memory-networks/)。 網絡類型也可以堆疊在特定的體系結構中以解鎖新功能,例如可重復使用的圖像識別模型,這些模型使用非常深的 CNN 和 MLP 網絡,可以添加到新的 LSTM 模型并用于字幕照片。此外,編碼器 - 解碼器 LSTM 網絡可用于具有不同長度的輸入和輸出序列。 重要的是要先清楚地了解您和您的利益相關者對項目的要求,然后尋找滿足您特定項目需求的網絡架構(或開發一個)。 有關幫助您考慮數據和預測問題的良好框架,請參閱帖子: * [如何定義機器學習問題](https://machinelearningmastery.com/how-to-define-your-machine-learning-problem/) ## 進一步閱讀 如果您希望深入了解,本節將提供有關該主題的更多資源。 * [什么是深度學習?](https://machinelearningmastery.com/what-is-deep-learning/) * [多層感知器神經網絡速成課程](https://machinelearningmastery.com/neural-networks-crash-course/) * [用于機器學習的卷積神經網絡的速成課程](https://machinelearningmastery.com/crash-course-convolutional-neural-networks/) * [深度學習的回歸神經網絡崩潰課程](https://machinelearningmastery.com/crash-course-recurrent-neural-networks-deep-learning/) * [回歸神經網絡序列預測模型的簡要介紹](https://machinelearningmastery.com/models-sequence-prediction-recurrent-neural-networks/) * [如何定義機器學習問題](https://machinelearningmastery.com/how-to-define-your-machine-learning-problem/) ## 摘要 在這篇文章中,您發現了三種主要人工神經網絡的建議用法。 具體來說,你學到了: * 在處理預測建模問題時要關注哪種類型的神經網絡。 * 何時使用,不使用,并可能嘗試在項目中使用 MLP,CNN 和 RNN。 * 在選擇模型之前,要考慮使用混合模型并清楚了解項目目標。 你有任何問題嗎? 在下面的評論中提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看