根據不同的應用場景,如何選用相對應的Deep Learning模型架構呢? 今天我們一起來看看幾個常用的模型架構和背後的運作原理。
適用於影像類型的資料應用。例如,識別某一張圖是否為貓或狗的影像分類問題。或是捕捉某一張圖片內的人臉位置,這種物件偵測的問題。
以圖片分類為例說明如下:
適用於時間序列類型的資料應用。例如,外語的翻譯、股票預測等。
輸入:時間序列資料
原理:神經網路每一次除了看當前的輸入,也會將前一次的輸出納入考量,確保參數的訓練考量到前後資訊的關係。
輸出:時間序列的目標值
问题 1:CNN的层次结构
问题: CNN通常包含哪些类型的层?
A) 输入层、隐藏层、输出层
B) 卷积层、池化层、全连接层
C) 循环层、嵌入层、注意力层
D) 编码器层、解码器层、注意力层
答案:B) 卷积层、池化层、全连接层
解释: CNN通常包含卷积层(用于提取特征)、池化层(用于降维和保留重要信息)以及全连接层(用于输出预测结果)。
问题 2:RNN的循环连接
问题: RNN之所以称为"循环"神经网络,是因为它具有什么样的连接方式?
A) 单向连接
B) 双向连接
C) 前向连接
D) 自反馈连接
答案:D) 自反馈连接
解释: RNN的循环连接是指神经网络内部的连接方式,其中神经元的输出会成为下一个时间步的输入,从而允许信息在网络内循环传递。