博客介绍了不同类型数据适用的神经网络。向量数据用密集连接网络；图像用二维卷积神经网络；声音、文本数据首选一维卷积神经网络或循环神经网络；时间序列等序列数据首选循环神经网络；视频数据可用三维卷积神经网络或二维 + 循环/一维卷积神经网络；立体数据用三维卷积神经网络。
向量数据：密集连接网络（Dense层）。
图像数据：二维卷积神经网络。
声音数据（比如波形）：一维卷积神经网络（首选）或循环神经网络。
文本数据：一维卷积神经网络（首选）或循环神经网络。
时间序列数据：循环神经网络（首选）或一维卷积神经网络。
其他类型的序列数据：循环神经网络或一维卷积神经网络。如果数据顺序非常重要（比如时间序列，但文本不是），那么首选循环神经网络。
视频数据：三维卷积神经网络（如果你需要捕捉运动效果），或者帧级的二维神经网络（用于特征提取）+ 循环神经网络或一维卷积神经网络（用于处理得到的序列）。
立体数据：三维卷积神经网络。
来源于：Python深度学习中文版之P269
扫一扫
36万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
