深度学习今年来经典模型优缺点总结,包括卷积、循环卷积、Transformer、LSTM、GANs等

文章目录

  • [1、卷积神经网络(Convolutional Neural Networks,CNN)](#1、卷积神经网络(Convolutional Neural Networks,CNN))
    • [1.1 优点](#1.1 优点)
    • [1.2 缺点](#1.2 缺点)
    • [1.3 应用场景](#1.3 应用场景)
    • [1.4 网络图](#1.4 网络图)
  • [2、循环神经网络(Recurrent Neural Networks,RNNs)](#2、循环神经网络(Recurrent Neural Networks,RNNs))
    • [2.1 优点](#2.1 优点)
    • [2.2 缺点](#2.2 缺点)
    • [2.3 应用场景](#2.3 应用场景)
    • [2.4 网络图](#2.4 网络图)
  • [3、长短时记忆网络(Long Short-Term Memory,LSTM)](#3、长短时记忆网络(Long Short-Term Memory,LSTM))
    • [3.1 优点](#3.1 优点)
    • [3.2 缺点](#3.2 缺点)
    • [3.3 应用场景](#3.3 应用场景)
    • [3.4 网络图](#3.4 网络图)
  • [4、门控循环单元(Gated Recurrent Unit,GRU)](#4、门控循环单元(Gated Recurrent Unit,GRU))
    • [4.1 优点](#4.1 优点)
    • [4.2 缺点](#4.2 缺点)
    • [4.3 应用场景](#4.3 应用场景)
    • [4.4 网络图](#4.4 网络图)
  • 5、自注意力模型(Transformer)
    • [5.1 优点](#5.1 优点)
    • [5.2 缺点](#5.2 缺点)
    • [5.3 应用场景](#5.3 应用场景)
    • [5.4 网络图](#5.4 网络图)
  • [6、生成对抗网络(Generative Adversarial Networks,GANs)](#6、生成对抗网络(Generative Adversarial Networks,GANs))
    • [6.1 优点](#6.1 优点)
    • [6.2 缺点](#6.2 缺点)
    • [6.3 应用场景](#6.3 应用场景)
    • [6.4 网络图](#6.4 网络图)
  • 7、人工神经网络
    • [7.1 优点](#7.1 优点)
    • [7.2 缺点](#7.2 缺点)
    • [7.3 应用场景](#7.3 应用场景)
    • [7.4 网络图](#7.4 网络图)

1、卷积神经网络(Convolutional Neural Networks,CNN)

1.1 优点

  • 可用于图像处理和计算机视觉领域任务,包括图像分类、人物检索、物体重识别、物体检测和图像分割。
  • 通过卷积层有效捕捉图像中的局部特征(这是跟 transformer 的区别,transformer 关注全局信息)。
  • 具有平移不变性。

1.2 缺点

  • 需要大规模的标记图像数据进行训练。
  • 在其他领域的任务上性能可能不如前馈神经网络。

1.3 应用场景

适用场景:图像分类、目标检测等。

案例:图像识别。将图像分类为不同的物体或场景。

1.4 网络图

《Gradient-based learning applied to document recognition》;LeNet-5

2、循环神经网络(Recurrent Neural Networks,RNNs)

2.1 优点

  • 适用于序列数据,如自然语言处理和时间序列分析。
  • 具有循环连接,可以处理不定长的序列数据。
  • 具有记忆能力,可以捕捉时间依赖性。

2.2 缺点

  • 梯度消失问题,导致长序列的性能下降。
  • 计算复杂性较高,不适用于大规模数据和深度网络。

2.3 应用场景

适用场景:序列建模、自然语言处理等。

案例:语音识别。将口头语言转换为文本。

2.4 网络图

《Recurrent Neural Networks》

3、长短时记忆网络(Long Short-Term Memory,LSTM)

3.1 优点

  • 解决了RNN的梯度消失问题。
  • 适用于长序列的建模。
  • 在自然语言处理等领域取得了显著的成功。

3.2 缺点

  • 计算复杂性较高。
  • 需要大量的数据来训练深层 LSTM 网络。

3.3 应用场景

适用场景:处理长序列和时间序列数据。

案例:股票价格预测。预测金融市场的趋势。

3.4 网络图

《Long Short-Term Memory networks》

4、门控循环单元(Gated Recurrent Unit,GRU)

4.1 优点

  • 类似于 LSTM,但参数较少,计算复杂性较低。
  • 在某些任务上性能与 LSTM 相媲美。

4.2 缺点

  • 对于某些复杂任务,性能可能不如LSTM。

4.3 应用场景

适用场景:用于序列数据处理,与 LSTM 类似。

案例:情感分析。分析文本中的情感。

4.4 网络图

5、自注意力模型(Transformer)

5.1 优点

  • 适用于自然语言处理和序列建模等任务。
  • 可并行化,计算效率高。
  • 在大规模数据和深度模型上表现出色。

5.2 缺点

  • 需要大规模的数据来训练。
  • 相对较新的模型,可能不适用于所有任务。

5.3 应用场景

适用场景:用于自然语言处理、机器翻译等。

案例:机器翻译。将一种语言的文本翻译为另一种语言。

5.4 网络图

《Attention is All you need》

6、生成对抗网络(Generative Adversarial Networks,GANs)

6.1 优点

  • 用于生成数据和图像,以及进行无监督学习。
  • 生成高质量的样本。
  • 在图像生成、风格迁移等领域取得了显著的成功。

6.2 缺点

  • 训练复杂性高,稳定性差,需要谨慎调整超参数。
  • 对于某些任务,可能存在模式崩溃问题。
  • 相较于最新的扩散模型,生成的质量和效果不具有竞争性,特定的生成数据可能存在一定的噪声。

6.3 应用场景

适用场景:用于生成图像、音频、文本等。

案例:图像生成。生成逼真的图像。

6.4 网络图

《Generative Adversarial Nets》

7、人工神经网络

最后,再介绍一种人工神经网络:前馈神经网络(Feedforward Neural Networks,FNNs)。

7.1 优点

  • 适用于各种任务,包括分类和回归。
  • 具有很强的表示能力,可以捕捉复杂的非线性关系。
  • 针对深度学习问题提供了基础。

7.2 缺点

  • 对于小样本数据,容易出现过拟合。
  • 需要大量的标记数据进行训练。

7.3 应用场景

适用场景:用于分类和回归任务。

案例:图像分类。将图像分为不同的类别。

7.4 网络图

相关推荐
WhyNot?1 小时前
深度学习入门(三):神经网络的学习
深度学习·神经网络·学习
odoo中国1 小时前
深度学习 Deep Learning 第16章 结构化概率模型
人工智能·深度学习·结构化模型
摸鱼仙人~1 小时前
为什么有的深度学习训练,有训练集、验证集、测试集3个划分,有的只是划分训练集和测试集?
人工智能·深度学习
Jamence2 小时前
多模态大语言模型arxiv论文略读(一)
人工智能·深度学习·语言模型
KangkangLoveNLP2 小时前
手动实现一个迷你Llama:使用SentencePiece实现自己的tokenizer
人工智能·深度学习·学习·算法·transformer·llama
thinkMoreAndDoMore4 小时前
深度学习处理文本(5)
人工智能·python·深度学习
weixin_750335524 小时前
李沐 X 动手学深度学习--第九章 现代循环神经网络
人工智能·rnn·深度学习
摸鱼仙人~4 小时前
深度学习数据集划分比例多少合适
人工智能·深度学习
矩阵猫咪4 小时前
基于时间卷积网络TCN实现电力负荷多变量时序预测(PyTorch版)
pytorch·深度学习·tcn·时序预测·时间卷积网络·电力负荷
Blossom.1184 小时前
《探索边缘计算:重塑未来智能物联网的关键技术》
人工智能·深度学习·神经网络·物联网·机器学习·计算机视觉·边缘计算