##走进深度学习：一文带你深入了解Deep Learning算法( 三 )

前馈网络的目标是近似某个函数。例如，对于一个分类器，将输入映射到类别。前馈网络定义了一个映射，并学习能得到最佳函数近似的参数值。

本文插图
图源：sci.utah
之所以将这些模型称为前馈，是因为信息首先流过由求值的函数，之后流过用于定义的中间计算，最后流动到输出。模型没有反馈连接，因此模型的输出不能反馈给自身。当前馈神经网络扩展为包括反馈连接时，称之为递归神经网络。
【##走进深度学习：一文带你深入了解Deep Learning算法】

本文插图
6.深度信念网络和受限玻尔兹曼机
受限玻尔兹曼机是一个随机神经网络（神经网络意味着有类似神经元的单元，其二进制激活取决于它们所连接的邻居；随机意味着这些激活具有概率性元素），它包括：
· 一层可见单元（用户的电影偏好，该用户的状态为我们知晓并设置）；
· 一层隐藏单元（尝试学习的潜在因素）；
· 偏差单元（其状态始终为开，是一种针对每部电影不同的固有流行度进行调整的方式）。
此外，每个可见单元连接所有隐藏单元（此连接是无向的，因此每个隐藏单元也连接所有可见单元），而偏差单元连接所有可见单元和所有隐藏单元。

本文插图
图源：Mathworld.
为了使学习更容易，可以限制网络，使得任何可见单元之间不能互相连接，任何隐藏单元之间也不能互相连接。
可以堆叠多个RBM来形成深度信念网络。尽管深度信念网络看起来像完全连接层，但其训练方式不同。

本文插图
7.生成对抗网络(GAN)
由于GAN理解和重建视觉内容的精度越来越高，其正在成为在线零售领域的流行ML模型。用例包括：
· 根据轮廓填充图像。
· 根据文本生成逼真的图像。
· 生成对产品原型的逼真描述。
· 将黑白图像转换为彩色图像。
在视频制作领域， GAN可用于：
· 在框架内模拟人类行动的模式。
· 预测后续的视频帧。
· 进行换脸
生成对抗网络（GAN）有两个部分：
· 生成器学习生成合理的数据。生成的实例作为判别器的负面训练实例。
· 判别器学习区分生成器的假数据和真实数据，并对产生不真实数据的生成器进行处罚。
建立GAN的第一步是识别所需的最终输出，并根据这些参数收集初始训练数据集。然后将这些数据随机化并输入到生成器中，直到生成输出获得基本精度为止。

本文插图
图源：Mathworld.
然后，将生成的图像与原始概念的实际数据点一起输入判别器。判别器对信息进行过滤，并返回介于0和1之间的概率来表示每张图像的真实性（1代表真实， 0代表伪造）。这些值将由人工检查是否成功，并重复进行直到达到所需结果为止。

本文插图
8.自动编码器
自动编码器是直接分配的神经网络，可在输出端恢复输入信号。它们内部有一个隐藏层，为描述模型的编码。自动编码器被设计为无法准确将输入复制到输出。