深度學習的神經網路架構有幾個不同的種類，其中比較主流比較廣泛運用的有三種，若要把各個種類做完整解釋，不僅需要對它們先有一定深度的瞭解，還需要耐心的長篇大論詳細解說，對於像我這樣的初學小菜雞是有點困難的，因此今天我就把這三種稍微做些簡易的介紹。
深度神經網路（Deep Neural Networks, DNN）：
深度神經網路具備至少一個隱藏層，可為複雜的非線性問題提供建模，屬於一種判別模型，它的功能可以將輸入值加上自己的理解和權重，再傳遞到下一層神經元，這樣一直層層疊疊接續到輸出，也就是得到我們所求的預測結果為止，由於向下堆疊的多層結構，所以被稱為深度神經網路。
卷積神經網路（Convolutional Neural Networks, CNN）：
與深度神經網路不同，它是由一個或多個卷積層和頂端的全連通層所組成，其中還包含關聯權重以及池化層。和其它神經網路結構相比之下，卷積神經網路較善於處理二維連續的資料，因此無論是圖像還是語音辨識，都可以有相當不錯的發揮應用。
遞迴/循環神經網路（Recurrent Neural Networks, RNN）：
遞迴神經網路則相當特別，擁有編碼器與解碼器的構造，還可利用兩個遞迴神經網路達到雙向讀取的效果，它適合處理有時間順序、或是有語意結構的資料，像是手寫輸入識別、篩選垃圾電子郵件、分析網路媒體文章是正面還是負面評價等...。
iThome鐵人賽
看影片追技術