做海报设计的网站/网站整站优化

RNN

循环神经网络（recurrent neural network）
主要思想： 即将整个序列划分成多个时间步，将每一个时间步的信息依次输入模型，同时将模型输出的结果传给下一个时间步。

说人话： 将一句话，划分为一个个的字或者词；然后将这句话拆分的字，一个个的按照顺序输入进行计，从第一个字开始计算的结果加入到第二个字的计算中，依次类推，最后一个字计算完成时，我们认为它包含了前面所有字的特征信息。

举例： “你个扑该!” 就会拆分成五份，先将“你”进行计算，得到结果，然后加入“个”，进行计算；最后计算完成“！”时，得到的值，我们认为已经包含前面整句话的特征语义了。

公式讲解

RNN的计算公式如下图：

释义：

1.tanh是激活函数
2.其中x是输入的值，t代表次数或者步数
3.h代表计算值，t-1代表前一次，即代表前一个输入的字符的计算值
4.所以公式中可以进行计算的权重参数即为：b、W、U

计算示意图讲解

如果输入的256维，要求输出为128维，我们分析各个部分的维度情况

1.由于将句子进行拆分了，所以每一个X肯定是：1x256
2.因为输出要求128维，所以U肯定是：256x128
3.h要能够和计算值相加，所以是：1x128
4.w要和h能够相乘得到128维结果，所以w：128x128
5.b要能够相加，则b： 1x128
通过上述的逻辑，我们就能够清楚的知道，模型的内部有多少可训练的权重参数

CNN

卷积神经网络（Convolutional Neural Network）
主要思想： 和CNN类似，对于图片或是视频类的数据，更多的是像素点，我们通过设定卷积核的大小，作为一个特征提取词，每次通过上下移动一步，将范围内的像素特征进行提取。

计算示意

如图：第一步

第二步：

释义

1.上面的图片中，黄色部分就是我们的卷积核
2.绿色就是我们的图片像素点位，转为数字表达的信息
3.红色就是我们提取处理的特征，池化的结果
4.其中黄色部分，每个点位相乘的下标数据，就是我们模型需要计算的权重，这个权重和图谱的对应点位进行相乘，结果相加就是我们提取的值
注意：上面介绍的是一种普通的卷积方法，卷积还要膨胀卷积等
注意2：卷积同样可以用于NLP，再NLP中卷积的移动方向只有上下两个

Normalization(归一化层)

释义： 对于神经网络模型，我们需要经过多层的计算，那么某一层的某个参数过大或者过小都会导致梯度的膨胀和消失；为了避免这个问题，我们使用Normalization将某一层的神经网络输出，给收缩到一个范围内，避免上述的问题

公式：

释义：

1.公式1表示对任意一层的输出进行求平均
2.公式2求该输出的方差
3.公式3通过方差、均值，可以将输出值分布收缩到一个小的范围
4.公式4中：β和γ需要学习的参数，Y才是归一化层的输出；目的是为了减少归一化所造成的数据中特征的损失

Normalization常见两种方式

如图：

释义：

1.左右两种normalization主要是对输出的向量的求平均和方差的方向不同，一个是batch样本之间；一个是样本内进行
2.batch normalization主要用于CV任务中，因为是归一化在样本间，图像我们考虑两张类似的图片存在一些相似性和关系
3.layer normalization主要是用于NLP任务中，求的是样本间的，因为我们认为，语言的差异较大，两句话间相似性小
注意：归一化层不是只有上述的操作，还有其他的类型，目的都一致，约束

Dropout层

作用： 减少过拟合
逻辑： 按照指定的概率，随机丢弃一些神经元，每一个神经元都按照这个概率去判断一下，要不要丢弃，即将对应位置值设为0；其余元素乘以1/(1-p)进行放大

案例说明： 有一个向量[1,2,3,4,5,6],经过p=0.5的dropout层，得到的结果可能为：[0,4,0,0,0,12]。

理解说明

1.强迫一个神经单元，和随机挑选出来的其他神经单元共同工作，消除减弱了神经元节点间的联合适应性，增强了泛化能力
2.可以看做是一种模型平均，由于每次随机忽略的隐层节点都不同，这样就使每次训练的网络都是不一样的，每次训练都可以单做一个“新”的模型

类比说明： 养了一群娃；目的是能够在社会上叱咤风云，为了避免在训练阶段，即读书阶段成为书呆子，让他们每个人都去跳崖，这个跳崖的死亡率（p）我们可以设置；嘎掉的娃，我们就把他们的高考成绩打0分；没有噶掉的就把分数进行1/(1-p)放大，奖励；这样就避免，其中某个孩子王的影响了，每一个娃都会是强者。