神經網絡與卷積神經網絡的區別

神經網絡即指人工神經網絡，或稱做鏈接模型，它是一種模仿動物神經網絡行爲特徵，進行分佈式並行信息處理的算法數學模型。這種網絡依靠系統的複雜程度，經過調整內部大量節點之間相互鏈接的關係，從而達處處理信息的目的。神經網絡用到的算法是向量乘法，採用符號函數及其各類逼近。並行、容錯、能夠硬件實現以及自我學習特性，是神經網絡的幾個基本優勢，也是神經網絡計算方法與傳統方法的區別所在。

 

深度學習的概念源於人工神經網絡，含多隱層的多層感知器就是一種深度學習結構。深度學習經過組合低層特徵造成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示。基於深信度網提出非監督貪心逐層訓練算法，爲解決深層結構相關的優化難題帶來但願，隨後提出多層自動編碼器深層結構。

傳統意義上的多層神經網絡只有輸入層、隱藏層、輸出層，其中隱藏層的層數根據須要而定，沒有明確的理論推導來講明到底多少層合適，多層神經網絡作的步驟是：特徵映射到值，特徵是人工挑選。

從廣義上說深度學習的網絡結構也是多層神經網絡的一種。深度學習中最著名的卷積神經網絡是由Lecun等人提出的，是第一個真正多層結構學習算法，它利用空間相對關係減小參數數目以提升訓練性能。在原來多層神經網絡的基礎上，加入了特徵學習部分，這部分是模仿人腦對信號處理上的分級的。具體操做就是在原來的全鏈接的層前面加入了部分鏈接的卷積層與降維層，並且加入的是一個層級：輸入層-卷積層-降維層-卷積層-降維層- ....-隱藏層-輸出層。深度學習作的步驟是：信號->特徵->值，特徵是由網絡本身選擇。

 

推薦：http://blackblog.tech/2018/02/23/Eight-Neural-Network/