1樓：老王
可以從簡單的人工神經網路開始學習，例如：
1、多層感知機
多層感知機是最簡單的人工神經網路，包括輸入層、中間層和輸出層。
多層感知機
2、卷積神經網路
卷積神經網路在全連線層之後，還包含卷積層、池化層。
卷積神經網路
3、殘差收縮網路
面向強噪、高冗餘資料，殘差收縮網路使用了自適應軟閾值化，來減輕雜訊的影響。
（面向強噪、高冗餘資料的）殘差收縮網路
2樓：桃花下的小清新
神經網路好比人的大腦神經，是乙個非線性系統～是一種在生物神經網路啟發下建立的資料處理模型，入門的話可以從單層感知器和線性神經網路入手，隨後學習bp和徑向基函式。徐徐漸進，有問題可以找我交流～
3樓：dimaria
神經網路就是乙個高大上的名詞罷了。
其實就是矩陣的計算，矩陣相乘，標量函式對矩陣自變數求導。先去搞懂這些東西，不要急功近利。
除此之外，學好概率論，大部分有監督模型都是可以用概率框架的最大似然這乙個東西解釋。
神經網路大部分時候就是乙個萬能的函式擬合器而已。
4樓：陳小小
有一種急功近利的路線：不學機器學習，直接看神經網路的基本定義、反向傳播，然後根據你的任務，選擇了解CNN和RNN的一種。再選擇caffe或者keras去入門。
不誇張的說，一天你就能復現乙個簡單的網路。最後就在你的任務上做下去，看原始碼，跑網路，調參這樣。
如何看待人工神經網路ANN和脈衝神經網路SNN的發展？
十萬個為什麼 SNN起源於人類對生物神經網路的解剖，是一種機理模型 ANN是一種工程模型，架構上源於生物學基礎，但是又採用了數值優化的方法進行求解。當前的科技發展水平下，ANN更實用，可以解決很多實際問題，而SNN在功能性角度方面遠遠弱於ANN。從發展前景方面，ANN顯然不及SNN，因為生物神經網路...
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...
卷積神經網路（CNN）和迴圈神經網路 RNN 有什麼區別？
不存在的1990 從字面區分 cnn 裡面的 c指 convolutional operation，是一種提取影象特徵方法。把這一operation加入到layer裡面構成了convolutional layer。rnn裡的r 指recurrent，中文是重複的意思。rnn構造的結構也是recurr...