TIP
本文主要是介绍 神经网络-核心概念精华总结 。
# 神经网络算法
# 前馈神经网络
前馈神经网络（FeedForward NN ) :是一种最简单的神经网络，采用单向多层结构，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。
前馈网络包括三类节点：
- 输入节点（Input Nodes）：外界信息输入，不进行任何 计 算 ，仅向下一层节点传递信息
- 隐藏节点（Hidden Nodes）：接收上一 层节点的输入，进行计算，并将信息传到下一层节点
- 输出节点（Output Nodes）：接收上_层节点的输入，进行计 算 ， 并将结果输出
输入层和输出层必须有，隐藏层可以没有，即为单层感知器，隐藏层也可以不止一层，有隐藏层的前馈网络即多层感知器。
# 反馈神经网络
反馈神经网络（FeedBack NN ):又称递归网络、回归网络，是一种将输出经过一步时移再接入到输入层的神经网络系统。这类网络中，神经元可以互连，有些神经元的输出会被反馈至同层甚至前层的神经元。常见的有Hopfield神经网络、Elman神经网络、Boltzmann机等。
前馈神经网络和反馈神经网络的主要区别：
- 前馈神经网络各层神经元之间无连接，神经元只接受上层传来的数据，处理后传入下一层，数据正向流动；反馈神经网络层间神经元有连接，数据可以在同层间流动或反馈至前层。
- 前馈神经网络不考虑输出与输入在时间上的滞后效应，只表达输出与输入的映射关系；反馈神经网络考虑输出与输入之间在时间上的延迟，需要用动态方程来描述系统的模型。
- 前馈神经网络的学习主要采用误差修正法（如BP算法），计算过程一般比较慢，收敛速度也比较慢；反馈神经网络主要采用Hebb学习规则，一般情况下计算的收敛速度很快。
- 相比前馈神经网络，反馈神经网络更适合应用在联想记忆和优化计算等领域。
# 感知器
感知器（Perceptron): 用于线性客服模式分类的最简单的神经网络模型。由一个具有可调树突权值和偏置的神经元组成。1958年Frank Rosenblatt提出一种具有单层计算单元的神经网络，即为Perception。其本质是一个非线性前馈网络，同层内无互联，不同层间无反馈，由下层向上层传递。其输入、输出均为离散值，神经元对输入加权求和后，由阈值函数决定其输出。感知器实践上是一个简单的单层神经网络模型。
# 自适应线性单元
1962年，斯坦福大学教授Widrow提出一种自适应可调的神经网络，其基本构成单元称为自适应线性单元（Adaptive Linear Neuron， ADALINE)，其主要作用是线性逼近一个函数式而进行模式联想。该模型是最早用于实际工程解决问题的人工神经网络。这种自适应可调的神经网络主要适应于信号处理中的自适应滤波、预测、模式识别等，主要应用于语言识别、天气预报、心电图诊断、信号处理以及系统识别等方面。
# 常见神经网络介绍
# SONN
自组织神经网络（Self Organization Neural Network, SONN)，又称自组织竞争神经网络，通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。通常通过竞争学习（Competitive Learning）实现。
自组织神经网络属于前馈神经网络，采用无监督学习算法。其思路为：竞争层的神经元通过竞争（与输入模式进行匹配），选出一个获胜者，其输出就代表了对输入模式的分类。常见的有自适应共振理论网络ART、自组织特征映射神经网络SOM、对偶传播网络CPN等。适合解决模式分类和识别方面的问题。
竞争学习（Competition Learning） 是人工神经网络的一种学习方式，指网络单元群体中所有单元相互竞争对外界刺激模式响应的权利，竞争取胜的单元的连接权重向着对这一刺激有利的方向变化，相对来说竞争取胜的单元抑制了竞争失败单元对刺激模式的响应。属于自适应学习，使网络单元具有选择接受外界刺激模式的特性。竞争学习的更一般形式是不仅允许单个胜者出现，而是允许多个胜者出现，学习发生在胜者集合中各单元的连接权重上。
# LVQ
学习向量量化神经网络（Learning Vector Quantization, LVQ）：在竞争网络的基础上，由Kohonen提出，其核心为将竞争学习与有监督学习相结合，学习过程中通过教师信号对输入样本的分配类别进行规定，克服了自组织网络采用无监督学习 算法带来的缺乏分类信息的弱点。
量化：在数字信号处理领域，是指将信号的连续取值（或者大量可能的离散取值）近似为有限多个（或较少的）离散值的过程。向最置化是对标置量化的扩展，更适用于高维数据。
网络结构特点：
- 由三层组成：输入层、竞争层、输出层
- 输入层和竞争层之间是全连接
- 一组竞争层节点对应一个输出节点
- 输入层到竞争层的权重可调整
- 竞争层到输出层的权重通常为固定值1
- 竞争层的学习规则为胜者为王WTA
- 竞争层的胜者输出为1,其余为0
# CPN
对偶传播神经网络（Counter-Propagation Network, CPN） , 1987年甶美国学者Robert Hecht-Nielsen提出，最早用来实现样本选择匹配系统，能存储二进制或模拟值的模式对，可用于联想存储、模式分类、函数通近、统计分析和数据压缩等。
网络拓扑结构： 共三层，各层之间为全连接，与三层BP网络相似。但其本质不同，实际上是由自组织网络+外星网络构成，其隐藏层即为竞争层，采用竞争学习规则，输出层为Grossberg层，采用Widrow-Hoff或者Grossberg学习规则。
# ART
自适应共振理论（Adaptive Resource Theory，ART），1976年由美国波士顿大学学者G.A.Carpenter提出，试图为人类的心理和认证活动建立统一的数学理论。随后又和S.Grossberg提出了ART网络。 ART网络由两层组成两个子系统，一个叫比较层C，一个叫识别层R，及三种控制信号：复位信号（Reset)、逻辑控制信号（G1、G2）组成。
# BM
玻尔兹曼机（Bolzmann Machine, BM）：也称 Stochastic Hopfield Network with Hidden Units，是一种随机递归神经网络，可以看做是一种随机生成的Hopfield网络。1983年-1986年，由Hinton和Sejnowski提出，该神经网络只有0和1两种状态，其取值根据规律统计法则决定，其形式与注明的统计力学家Boltzmann提出的分布相似，因此被称为Boltzmann机。
特征：
- 有可见节点和隐藏节点之分
- 形式上和单层反馈网络DHNN非常接近
- 可见节点实现输入输出，隐藏节点实现输入输出间的联系
- 从功能上看，和三层BP网络比较接近 -权重矩阵对称，且自反馈为0 ,即 w i j = w j i w_{ij} = w_{ji}wij=wji且w i j = 0 w_{ij} = 0wij=0
# RBM
受限玻尔兹曼机（Restricted Boltzmann Machine, RBM），是一种简化的特殊的玻尔兹曼机，1986年由Paul Smolensky提出。和BM相比，其隐藏层中的节点之间没有互相连接，其可见节点间也没有连接，因此其计算相对更简单。RBM可以应用于降维、分类、协同过滤、特征学习和主题建模等领域，根据任务的不同，可以选择监督学习或者非监督学习等方式进行神经网络模型训练。
特征：
- 两层结构：可见层和隐藏层
- 同层内无连接，不同层全连接：同层内节点激活状态独立
- 节点状态二值状态：0和1
- 计算相对BM简单
- 只要隐层节点足够多，能拟合任何离散分布
# RBFNN
径向基函数神经网络(Radical Basis Function Neural Network, RBF NN): 1988 年由 John Moody和Christian J Darken提出了一种网络结构，属于前向型神经网络，理论上可以任意精度逼近任意连续函数，适合解决分类问题。
径向基函数神经网络特征：
- 网络结构为三层前向网络
- 输入层到隐藏层无权重连接
- 隐藏层的激活函数为径向基函数（RBF)
- 从输入层到隐藏层的变换时非线性的
- 从隐藏层到输入层的变换时线性的
径向基函数（RBF ):某种沿径向对称的标量函数，通常定义为空间中某点到另外一个中心点的欧氏距离的单调函数。如果某点离中心点距离较远，则函数取值很小。
h ( x ) = e − ( x − c ) 2 r 2 h(x)=e^{-\frac{(x-c)^2}{r^2}}h(x)=e−r2(x−c)2
# DNN
深度神经网络（DNN)：使用统计学方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。
简单理解，深度神经网络就是有多个隐藏层的多层感知器网络，根据实际应用情况不同，其形态和大小也都不一样。
# CNN
卷积神经网络（CNN): 由Yann LeCun提出并应用在手写字体(MINST)识别上，其实质是一种多层前馈网络，擅长处理图像特别是大图像的处理和识别。
# RNN
前馈神经网络只能单独处理一个的输入，不同的输入之间被认为是相互独立没有联系的，但实际上很多时候输入之间是有序列关系的，需要使用递归神经网络（Recurrent Neural Network, RNN), 也称循环神经网络，其引入了 “记忆"的概念，即描述了当前输出于之前的输入信息的关系，递归的含义是指每个神经元都执行相同的任务，但是输出依赖于输入和"记忆”，常用语NLP、机器翻译、语音识别、图像描述生成、文本相似度等。
# LSTM
长短期记忆网络（Long Short-Term Memory, LSTM）:是一种时间递归神经网络，适合用于处理和预测时间序列中间隔和延迟较长的重要事件。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别、图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。LSTM区別于RNN的地方，主要就在于它在算法中加入了一个判断信息有用与否的"处理器"，信息有用则被记忆，无用则被遗忘。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多。
# 自编码器
自动编码器（AutoEncoder):是人工神经网络的一种，主要用来处理数据的压缩，其数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。原理为训练神经网络，通过捕捉可以代表输入信息的最关键的因素，让其输入能近似复制到输出，即让输入内容和输出内容近似一样。
# DBN
深度信念网结（Deep Belief Nets, DBN): 或称深度置信网络，神经网络的一种，由多个受限玻尔兹曼机组成。既可以用于非监督学习，类似于一个自编码器，也可以用于监督学习，类似于一个分类器。 从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。 从监督学习来讲，其目的在于使得分类错误率尽可能地小。 而不论是监督学习还是非监督学习，DBN的本质都是Feature Learning的过程，即如何得到更好的特征表达。
# GAN
生成对抗网结(Generative Adversarial Network, GAN): 由Goodfellow在2014年提出，其核心思想来自于博弈论的"纳什均衡”。它包含两个网络模型：一个生成模型和一个判别模型。生成模型捕捉样本数据的分布，判别模型是一个二分类的分类器。生成模型接受一个随机的噪声，结合学习到的样本数据特征，生成一个新的数据，交由分类横型去判断是否是“真实的”。在训练过程中，生成模型尽量生成新数据去欺骗判断模型，判断模型会尽量去识别出不真实的数据，两者实际上是一个”二元极小极大博弈问题"。最终得到一个生成模型用来生成新的数据。
# 参考文章
- https://blog.csdn.net/nalw2012/article/details/85409915
