必须了解的8种神经网络架构

机器学习已经在各个行业得到了大规模的广泛应用，并为提升业务流程的效率、提高生产率做出了极大的贡献。目前机器学习主要在以下方面应用：

模式识别：实际场景中的目标、包括人脸、表情、语音识别等等；

异常检测：例如信用卡交易的异常检测、传感器异常数据模式检测和异常行为检测等；

预测问题：预测股票或者汇率、或者预测消费者喜欢的电影、音乐等。

神经网络是一类机器学习算法和模型的统称，也是目前机器学习发展最快的一个领域。神经网络的架构主要分为三大类——前馈、循环和对称链接网络。神经网络具有如下三个特征使它成为了机器学习中的重要组成部分：

有助于理解大脑实际工作的流程，

有助于理解神经元和期间的自适应链接以及并行计算的概念，与顺序处理的序列模型大不相同；

在大脑的启发下利用新的算法解决实际问题。

下面是8种核心神经网络架构

1. 感知机（Perceptrons）

感知机可以称为第一代的神经网络，主要包括输入的多个特征单元（人工定义或程序寻找），中间由学习权重连接，最后由决策单元输出。典型的感知机单元遵循前馈模型，输入通过权重处理后直接连接到输出单元上。

如果人们手动选取足够的有效特征，感知机几乎可以做任何事。但一旦人工特征固定下来将会极大的限制感知机的学习能力。同时如何选择一个好的、有效的特征也是困扰人们的难点。这对于感知机来说是毁灭性的，由于感知机将所有的注意力放在了模式识别上而忽视了变换过程。Minsky和Papert的"群体不变性理论"指出无法通过学习来识别出一组变化中的变换过程。为了处理这样的变换，