可视化解释11种基本神经网络架构( 二 ) _神经网络

文章插图

卷积神经网络在基于图像的任务上表现出色，例如将图像分类为狗或猫。
8 | 反卷积神经网络（DNN）顾名思义，反卷积神经网络的作用与卷积神经网络相反。DNN不是执行卷积来减小图像的维数，而是利用反卷积来创建图像，通常是根据噪声来进行的。这是一项固有的艰巨任务。考虑CNN的任务是为奥威尔（Orwell）1984年的整本书写一个三句摘要，而DNN的任务是从三句结构写整个本书。

文章插图

9 | 生成对抗网络（GAN）生成对抗网络是一种专门设计用于生成图像的特殊类型的网络，它由两个网络（一个鉴别器和一个生成器）组成。区分者的任务是区分是从数据集中提取图像还是由生成器生成图像，而生成者的任务是生成足够有说服力的图像，以使区分器无法区分其是否真实。
随着时间的流逝，经过精心的监管，这两个对手彼此竞争，互相推动，成功地改善了彼此。最终结果是训练有素的生成器，可以吐出逼真的图像。鉴别器是一个卷积神经网络，其目的是最大程度地提高识别真实/伪造图像的准确性，而生成器是一个反卷积神经网络，其目的是最小化鉴别器的性能。

文章插图
> Generator diagram.

自动编码器10 | 自动编码器（AE）自动编码器的基本思想是获取原始的高维数据，将其"压缩"为高度信息化的低维数据，然后将压缩后的形式投影到新的空间中。自动编码器有许多应用，包括降维，图像压缩，去噪数据，特征提取，图像生成和推荐系统。它既可以作为无监督方法也可以作为有监督方法，可以非常洞悉数据的性质。

文章插图

隐藏的单元可以用卷积层替换以适应处理图像。
11 | 可变自动编码器（VAE）自动编码器学习输入的压缩表示形式，例如可以是图像或文本序列，方法是压缩输入然后将其解压缩以匹配原始输入，而变分自动编码器（VAE）学习概率分布的参数代表数据。它不仅仅是学习表示数据的函数，还获得了更详细，细致的数据视图，从分布中采样并生成新的输入数据样本。从这个意义上讲，它更像是一种纯粹的"生成"模型，例如GAN 。

文章插图

VAE使用概率隐藏单元格，该单元格将径向基函数应用于测试用例与单元格均值之间的差异。
(本文翻译自Andre Ye的文章《11 Essential Neural Network Architectures, Visualized & Explained》，参考：https://towardsdatascience.com/11-essential-neural-network-architectures-visualized-explained-7fc7da3486d8)

【可视化解释11种基本神经网络架构】