前言：本文综合整理了常用神经网络，包括生物神经网络、人工神经网络、卷积神经网络、循环神经网络、生成对抗网络； 参考了很多大学的课程、论文、博客、视频等。 文章的结构是先了解概念，再图像、结构图、一步一步详细说明； 大家要不要看看？ (欧姆) y
一.人工神经网络
33558 www.Sina.com/(artificialneuralnetwork，wzdxn )、由人工神经元组成的网络、模拟人脑； 模拟生物学过程以反映人脑某些特征的计算结构。
简介：人工神经网络:人工神经元模拟生物神经元； 人工神经网络模拟人脑，模拟生物神经网络。
联系:人工神经网络是一种并行、分布处理结构，具有学习能力、泛化能力。
特点:联想记忆功能、非线性映射功能、分类和识别功能、知识处理功能。
http://www.Sina.com/: http://www.Sina.com /
功能
前言2人脑3生物神经元网络4生物神经元5人工神经元6.1单层神经网络6.2多层前向传播6.4损失函数6.5梯度下降方法6.6反向传播算法7特征8功能9总结单层神经网络参考
二.卷积神经网络
详细介绍
卷积神经网络(Convolutional Neural Network，CNN )、一篇文章“简单”认识 《人工神经网络》 (更新版)和目录大纲的叠加实现输入数据的特征提取
(• • )y
简介什么是对外界的感知：
视觉皮质的每个神经元只响应特定区域的刺激(感觉区)，从局部到全局的信息分层处理机制)卷积层
各神经元在只需要感知局部图像的更高层合并局部信息，得到全局信息池化层:主要由卷积层池化层全连接层组成。
全连接层:图像分类、目标发现、目标跟踪、语义分割、实例分割等。
http://www.Sina.com/: http://www.Sina.com /
联系
前言基于什么提出双卷积神经网络？ 3卷积3.1卷积操作3.2多层卷积层4池化5全连接层6特征维数变化7 CNN核心思想——参数共享8优势9经典卷积神经网络10卷积神经网络应用
三.循环神经网络
3358 www.Sina.com/: http://www.Sina.com/(recurrentneuralnetworks，RNN ) )是模拟“人脑记忆功能”的反馈网络
动物视觉系统人工神经网络，卷积神经网络为前馈； 前馈神经网络是静态网络，信息传递是单向的，网络输出只依赖于当前输入，没有存储能力。 前馈神经网络处理的数据逐个输入，与前后数据无关。 在实际生活中，许多数据是上下文相关的，这些数据被称为序列数据； 处理时，必须考虑前后关系，而不是只考虑当前输入进行判断。
在这种情况下，需要有效处理卷积神经网络数据的“并发神经网络”，数据中的结构和应用
详细介绍:循环神经网络由循环体叠加而成；
一篇文章“简单”认识 《卷积神经网络》 (更新版)
目录大纲:主要在(• • )y方向上使用；
文件分类和时间序列分析(识别文章主题)时间序列比较)两个文件的关联度比较)从序列到序列的学习)从中文到英语的翻译)情感分析)推文和电影评论的情感分为正面还是负面)社会序列预测)从最近的天气数据预测未来的天气) 3333333333333333
前言2循环体3循环神经网络4 LSTM网络5循环神经网络应用参考循环体及其简介
间展开后的效果： ( •̀ ω •́ )y四、生成对抗网络
简介：生成对抗网络（GAN，generative adversarial network），是一种常用于学习类别特征的神经网络结构；主要有两部分组成，分别是生成网络、判别网络。
背景：在监督学习中，训练集需要大量的人工标注数据，并且需要人工判断生成结构好坏，这个过程是高成本且低效率的；GAN能自动完成这个过程，效率高成本低。
详细介绍：一篇文章“简单”认识《生成对抗网络》(GAN)
应用：GAN 的应用十分广泛，它的应用包括图像合成、图像编辑、风格迁移、图像超分辨率以及图像转换，数据增强等。
目录大纲：
1 前言2 生成对抗网络应用 2.1 风格迁移 2.2 图像生成 2.3 音乐创作3 生成学习算法4 生成对抗网络 4.1 GAN的简要实现流程 4.2 GAN算法实现要点5 MNIST 案例6 GAN优点7 GAN缺点8 文献学习1. Generative Adversarial Networks2. Conditional GANs
3. DCGAN
4. Improved Techniques for Training GANs
5. Pix2Pix
6. CycleGAN
7. Progressively Growing of GANs
8. BigGAN
9.NAS
生成对抗网络GAN原理图，如下图所示：( •̀ ω •́ )y
大家加油呀~~ ( •̀ ω •́ )✧