Las diferencias y conexiones entre las redes neuronales feedforward, las redes neuronales BP y las redes neuronales convolucionales

Primero, los métodos de cálculo son diferentes

1. Red neuronal feedforward: la red neuronal más simple, con neuronas dispuestas en capas. Cada neurona solo está conectada a las neuronas de la capa anterior. Reciba la salida de la capa anterior y envíela a la siguiente capa. No hay retroalimentación entre capas.

2. Red neuronal BP: es una red neuronal feedforward multicapa entrenada en base al algoritmo de retropropagación de errores.

3. Red neuronal convolucional: una red neuronal de avance con cálculos convolucionales y estructura profunda.

En segundo lugar, los roles son diferentes

1. Red neuronal feedforward: estructura simple, ampliamente utilizada, puede aproximar cualquier función continua y función cuadrada integrable con cualquier precisión, y puede realizar cualquier función con precisión. Conjunto de muestra de entrenamiento de funciones finitas.

2. Red neuronal BP: fuerte capacidad de mapeo no lineal y estructura de red flexible. El número de neuronas en la capa intermedia y en cada capa de la red se puede establecer arbitrariamente según la situación específica, y su rendimiento varía según la estructura.

3. Red neuronal convolucional: Tiene la capacidad de aprendizaje de representación y puede clasificar invariantes de traducción de información de entrada según su estructura jerárquica.

En tercer lugar, diferentes usos

1. Red neuronal feedforward: las principales aplicaciones incluyen la red de perceptrones, la red BP y la red RBF.

2. Red neuronal BP: 1) Aproximación de funciones: entrenar una red y utilizar vectores de entrada y vectores de salida correspondientes para aproximar una función 2) Reconocimiento de patrones: asociarlo con el vector de entrada y el vector de salida; está por determinarse; 3) Clasificación: Clasificar los vectores de entrada en las formas apropiadas definidas; 4) Compresión de datos: Reducir la dimensionalidad de los vectores de salida para su transmisión o almacenamiento.

3. Red neuronal convolucional: se puede aplicar a la visión por computadora, el procesamiento del lenguaje natural, el reconocimiento de imágenes, el reconocimiento de objetos y otras ciencias de la física y la teledetección.

Contacto:

La red neuronal BP y la red neuronal convolucional son redes neuronales de avance, y las tres son redes neuronales artificiales. Entonces los principios y estructuras de los tres son los mismos.

Datos ampliados

Ventajas de las redes neuronales artificiales:

1. Tiene función de autoaprendizaje. La función de autoaprendizaje es importante para la predicción. Se espera que en el futuro las computadoras de redes neuronales artificiales proporcionen pronósticos económicos, pronósticos de mercado y pronósticos de beneficios para los humanos, y sus perspectivas de aplicación son muy amplias.

2. Tiene función de almacenamiento Lenovo. Esta correlación se puede lograr utilizando la red de retroalimentación de redes neuronales artificiales.

3. Tener la capacidad de encontrar soluciones óptimas a gran velocidad. Encontrar la solución óptima a un problema complejo suele requerir muchos cálculos. Utilizando una red neuronal artificial de retroalimentación diseñada para un problema determinado y aprovechando al máximo la potencia informática de alta velocidad de la computadora, se puede encontrar rápidamente la solución óptima.

Enciclopedia Baidu - Red neuronal Feedforward

Enciclopedia Baidu - Red neuronal BP

Enciclopedia Baidu - Red neuronal convolucional

Enciclopedia Baidu -Artificial Red neuronal