神经网络可以分为三种主要类型:前馈神经网络、反馈神经网络 和 图神经网络。
一、前馈神经⽹络
前馈神经⽹络(feedforward neural network)是⼀种简单的神经⽹络,也被称为多层感知机(multi-layer perceptron,简称MLP),其中不同的神经元属于不同的层,由输⼊层 - 隐藏层 - 输出层构成,信号从输⼊层往输出层单向传递,中间⽆反馈,其⽬的是为了拟合某个函数,由⼀个有向⽆环图表⽰,如下:
前馈神经⽹络中包含激活函数(sigmoid函数、tanh函数等)、损失函数(均⽅差损失函数、交叉熵损失函数等)、优化算法(BP算法)等。常⽤的模型结构有:卷积神经⽹络、全连接神经⽹络、BP神经⽹络、RBF神经⽹络、感知机等。下面介绍下经典的卷积神经网络:
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积运算且具有深度结构的前馈神经网络(Feedforward Neural Networks)。
相比早期的BP神经网络,卷积神经网络最重要的特性在于 "局部感知" 与 "参数共享"。
整体架构:输入层 ------ 卷积层 ------ 池化层 ------ 全连接层 ------ 输出层
二、反馈神经⽹络
反馈神经⽹络(feedback neural network)的输出不仅与当前输⼊以及⽹络权重有关,还和⽹络之前的输⼊有关。它是⼀个有向循环图或是⽆向图,具有很强的联想记忆能⼒和优化计算能⼒。常⽤的模型结构有:RNN、Hopfield⽹络、玻尔兹曼机、LSTM等。
三、 图神经⽹络
图(graph)是⼀种在拓扑空间内按图结构组织来关系推理的函数集合,包括社交⽹络、知识图谱、分⼦图神经⽹络等。
图神经网络通常有以下几种网络模型:图卷积网络、图自编码器、图生成网络、图循环网络、图注意力网络。
图神经网络就是将图数据和神经网络进行结合,在图数据上面进行端对端的计算。图神经网络直接在图上进行计算,整个计算的过程,沿着图的结构进行,这样处理的好处是能够很好的保留图的结构信息。