大家好，今日小柳来为大家解答以上的问题。深度神经网络模型和cnn，深度神经网络有哪些模型很多人还不知道，现在让我们一起来看看吧！

深度神经网络模型和cnn，都有哪些模型？深度神经网络模型和cnn，都有哪些模型？


深度神经网络模型和cnn，都有哪些模型？


深度神经网络模型和cnn，都有哪些模型？


1、卷积神经元（Convolutional cells）和前馈神经元非常相似，除了它们只跟前一神经细胞层的部分神经元有连接。

2、因为它们不是和某些神经元随机连接的，而是与特定范围内的神经元相连接，通常用来保存空间信息。

3、这让它们对于那些拥有大量局部信息，比如图像数据、语音数据（但多数情况下是图像数据），会非常实用。

4、解卷积神经元恰好相反：它们是通过跟下一神经细胞层的连接来解码空间信息。

5、这两种神经元都有很多副本，它们都是训练的；每个副本都有自己的权重，但连接方式却完全相同。

6、可以认为，这些副本是被放在了具备相同结构的不同的神经网络中。

7、这两种神经元本质上都是一般意义上的神经元，但是，它们的使用方式却不同。

8、池化神经元和插值神经元（Pooling and interpolating cells）经常和卷积神经元结合起来使用。

9、它们不是真正意义上的神经元，只能进行一些简单的作。

10、池化神经元接受到来自其它神经元的输出过后，决定哪些值可以通过，哪些值不能通过。

11、在图像领域，可以理解成是把一个图像缩小了（在查看的时候，一般软件都有一个放大、缩小的功能；这里的图像缩小，就相当于软件上的缩小图像；也就是说我们能看到图像的内容更加少了；在这个池化的过程当中，图像的大小也会相应地减少）。

12、这样，你就再也不能看到所有的像素了，池化函数会知道什么像素该保留，什么像素该舍弃。

13、插值神经元恰好是相反的作：它们获取一些信息，然后映射出更多的信息。

14、额外的信息都是按照某种方式制造出来的，这就好像在一张小分辨率的上面进行放大。

15、插值神经元不仅仅是池化神经元的反向作，而且，它们也是很常见，因为它们运行非常快，同时，实现起来也很简单。

16、池化神经元和插值神经元之间的关系，就像卷积神经元和解卷积神经元之间的关系。

17、均值神经元和标准方神经元（Mean and standard deviation cells）（作为概率神经元它们总是成对地出现）是一类用来描述数据概率分布的神经元。

18、均值就是所有值的平均值，而标准方描述的是这些数据偏离（两个方向）均值有多远。

19、比如：一个用于图像处理的概率神经元可以包含一些信息，比如：在某个特定的像素里面有多少红色。

本文到这结束，希望上面文章对大家有所帮助。