qq_52642385的博客

主要是引入了先后、时序等影响前后关系的因子 其中h0···ht为中间各个过程的结果，而h0作用于h1,h1作用于h2······其由此循环，产生一反馈效果 一般结果就是ht LSTM网络：由于RNN最终结果和前面所有结果都有关系，因此可能会有误差，因此选择性消除某些因子，即某些hn 网络结构对比： 具体结构如下 控制参数：在整个过程中需要不断维护 门单元：与传统神经网络一致 决定丢弃信息组件：

计算机视觉方面差不多均可，分类与检索、检测与追踪、超分辨率重构、医学任务、无人驾驶等等 GPU处理速度快于cpu 左：NN 一维层面 右：CNN 三维层面 二者数据格式便不同 输入层：和NN输入一样，唯一不同是数据形式不同 卷积层：将图像分为不同的小区域，每个小区域对应一个权值系数矩阵，二者相互作用后得到该区域特征值，众多特征值组合在一起形成一个特征图。起到提取特征的作用。 卷积特征值计算方

机器学习其复杂之处便是如何进行特征工程来提取特征，但是对于深度学习而言，其优势便是解决了特征工程复杂的问题，从而可以让计算机可以自己提取特征，拥有学习的能力