深度学习——神经网络（NN）、深度神经网络（DNN）、卷积神经网络（CNN）等概念介绍

最新推荐文章于 2025-06-16 00:40:36 发布
原创 最新推荐文章于 2025-06-16 00:40:36 发布 · 6.2k 阅读 · 30 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #神经网络

本文介绍了深度学习中的基本概念，包括神经元、神经网络（NN）、深度神经网络（DNN）和卷积神经网络（CNN）。神经元作为信息处理的基本单位，神经网络模拟生物神经元工作。DNN是具有多层结构的神经网络，而CNN针对图像处理，考虑了数据的结构，特别适合图像特征提取。CNN包含输入、卷积、激励、池化和全连接层，用于高效处理图像信息。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

刚接触深度学习时，我们经常会看到神经网络、深度神经网络、卷积神经网络这些词。初看可能一头雾水，没关系，下面我们就来了解一下这些词背后的意义吧。
在这里插入图片描述

图1 神经元的结构

神经元（Neuron）：

从生物上来说，无论是人还是其他动物都有数以亿计的神经元。神经元是神经系统最基本的结构和单位，通俗来说就是我们进行认知活动的基本单位。利用神经元，我们可以学习到各类知识，例如我们在生活中看到了一些小猫和小狗，神经元会学习并反馈给我们（一般）耳朵尖尖、身材小巧、对你爱答不理的是猫（突然卑微），体型较大、活泼好动、会向人摇尾巴求抚摸的是狗。

在这里插入图片描述

图2 猫与狗的区别

神经网络（Neural Network，NN）：

神经网络即人工神经网络，由具有权重和偏置的神经元组成，简单来说就是模拟生物神经元进行信息处理的模型。在训练过程中，神经网络通过调整神经元的权重和偏置，最终得到一个能将输入信息处理成为接近或符合我们预期输出的模型。

深度神经网络（D

最低0.47元/天 解锁文章

200万优质内容无限畅学
深度学习——第6章 浅层神经网络（NN）
A469333242的博客
12-16 1512
首先，我们来看一个简单的神经网络模型：最简单的神经网络模型由输入层（Input Layer）、隐藏层（Hidden Layer）、输出层（Output Layer）组成，我们称之为2层神经网络。隐藏层和输出层都由个数不一的神经元组成。如上图所示，输入层有3个输入：x1、x2、x3，分别代表不同的输入特征。例如一张图片所有的像素值（当然不止3个）。一般地，输入层不标注◯\bigcirc◯，表示没有神经元。该神经网络模型隐藏层包含了4个神经元，输出层只有1个神经元。
人脸识别：基于深度学习的人脸识别_（5）.深度神经网络（DNN）原理
zhubeibei168的博客
03-05 761
深度神经网络（DNN）在计算机视觉领域中扮演着重要的角色，通过多层神经元的学习，可以有效地处理各种复杂任务。本文详细介绍了神经网络的基本原理、架构和训练方法，并通过代码示例展示了如何实现和调优深度神经网络。未来的研究将致力于提高模型的泛化能力、优化计算效率和增强模型的可解释性，以应对更加复杂的实际问题。
深度学习笔记（三）——NN网络基础概念（神经元模型，梯度下降，反向传播，张量处理）
拨雪寻春，烧灯续昼
01-11 2676
简要介绍了NN网络的相关知识，构建流程，训练基础概念，并且使用tf2搭建了相关的基础程序用作示例。
深度学习之NN（Neural Network）
百年孤独百年的博客
12-01 4568
根据我的理解，简单介绍一个DeepLearn Toolbox工具箱的NN里面各个函数都有什么作用，其中可能有个别表述或者理解的错误。哈哈哈哈哈，先随便写写吧。 主要参考链接： 这个工具箱下载链接：点击下载 首先你要知道如何训练一个NN。打开tests文件夹下的test_example_NN.m文件，第13行的注释vanilla neural net表示原始神经网络。代码15到20行这几步就训练了一...
DNN RNN CNN区别
最新发布
mayaohao的博客
06-16 904
【代码】DNN RNN CNN区别。
深度神经网络（DNN）&& 卷积神经网络（CNN）
一个nlp探险者的博客
08-31 4892
引言
深度神经网络(DNN)
meng_shangjy的博客
04-17 5680
深度神经网络（Deep Neural Networks， 以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。1 从感知机到神经网络 感知机的模型，它是一个有若干输入和一个输出的模型，如下图:输出和输入之间学习到一个线性关系，得到中间输出结果：接着是一个神经元激活函数：从而得到想要的结果1或者-1. ...
深度学习NN、CNN、RNN、和DNN你了解吗？
喜欢打酱油的老鸟
04-18 1万+
https://www.toutiao.com/a6680511919842918915/ 吴恩达(Andrew Ng)，英文名Andrew Y.Ng，华裔美国人，斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。职业：计算机科学家，毕业院校：University of California,Berkeley。吴恩达主要成就在机器学习和人工智能领域，是人工智能和机器学...
学习笔记：深度学习（4）——卷积神经网络（CNN）PyTorch实践篇
Morganfs的博客
04-14 4125
小白PyTorch超快上手，采用CNN做了一个手写数字识别，一个MINST手写数字预测，以及尝试了Kaggle的Spaceship Titanic案例。
深度学习之CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)概念区分理解
种花家的奋斗兔的博客
11-29 4449
背景 我们知道，目前，深度学习十分热门，深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。 从广义上来说，NN（或是更美的DNN）可以认为包含了CNN、RNN这些具体的变种形式。神经网络技术起源于上世纪五...
DNN-深度神经网络
2301_78731684的博客
12-09 3836
深度神经网络（DNN）是一种多层神经网络，通过将多个神经元连接在一起，形成一种深度结构。DNN可以用于处理各种类型的数据，包括图像、文本、语音等。在深度神经网络中，隐含层的数量和每层的神经元数量可以视具体任务和数据类型而定。DNN的训练过程通常采用反向传播算法和梯度下降优化方法，通过不断地调整神经网络的参数，以最小化预测误差和损失函数。深度神经网络具有多个非线性映射的特征变换，可以对高度复杂的函数进行拟合。相比浅层建模方式，深层建模能更细致高效的表示实际的复杂非线性问题。
深度神经网络（DNN）
09-06
个人从网络收集资料，本资料共分为九个部分介绍深度神经网络
DNN(深度神经网络)
热门推荐
云计算、数据库、大数据、容器、微服务、深度学习、NLP、Python
05-09 2万+
深度神经网络（Deep Neural Networks， 以下简称DNN） 神经网络发展 第一代神经网络又称为感知器，由科学家Frank Rosenblatt发明于1950至1960年代，它的算法只有两层，输入层输出层，，主要使用的是一种叫做sigmoid神经元（sigmoid neuron）的神经元模型，主要是线性结构。它不能解决线性不可分的问题，如异或操作。 为了解决第一代神经网络的缺陷，在1980年左右提出第二代神经网络多层感知器（MLP）。和第一代神经网络相比，第二代在输入输出层之间有增加了
深度神经网络DNN
FanJin的博客
02-28 7477
深度网络DNN的概念，是基于浅层网路——多层感知机MLP（或称人工神经网络ANN）的基础上发展而来。关于MLP或ANN的知识，此处不作赘述，网上有很多资料可以参考。 DNN是一个很广的概念，大名鼎鼎的CNN、RNN、GAN等都属于其范畴之内。CNN多用于网络结构数据类型的任务，如图像、声音、文本等；RNN多用于时间序列类型的任务，如音频、文本（NLP）、视频等；GAN则主要用于“生成数据、以假乱...
Deep NN(深度神经网络)---deeplearning.ai---笔记及Python源码（15）
好好学习，天天向上
04-25 1120
深度神经网络指的是多隐层的神经网络。本文采用一个两输入，3个隐藏层，1个输出层来进行说明深度神经网络的前向和后向传播，以及具体的公式推导和代码撰写。一、符号定义参看笔记13和笔记14二、基本模型三、模型计算（1）      前向传播：在样本数为1的情况$$\begin{array}{l}{a^{[0]}} = {\left( {{x_1},{x_2}} \right)^T}\\{z^{[1]}} ...
深度学习之NN->CNN
健健的博客
09-23 1265
第一篇博客先存个题目
【原创】深度神经网络(Deep Neural Network, DNN)
donghuantuo5253的博客
07-16 827
线性模型通过特征间的现行组合来表达“结果-特征集合”之间的对应关系。由于线性模型的表达能力有限，在实践中，只能通过增加“特征计算”的复杂度来优化模型。比如，在广告CTR预估应用中，除了“标题长度、描述长度、位次、广告id，cookie“等这样的简单原始特征，还有大量的组合特征（比如”位次-cookie“ 表示用户对位次的偏好）。事实上，现在很多搜索引擎的广告系统用的都是Logistic ...
细说深度学习之TensorFlow
weixin_45625815的博客
11-22 1212
DNN（深度神经网络算法）现在是AI社区的流行词。最近，DNN 在许多数据科学竞赛/Kaggle 竞赛中获得了多次冠军。 自从 1962 年 Rosenblat 提出感知机（Perceptron）以来，DNN 的概念就已经出现了，而自 Rumelhart、Hinton 和 Williams 在 1986 年发现了梯度下降算法后，DNN 的概念就变得可行了。直到最近 DNN 才成为全世界 AI/ML...
PyTorch深度学习——nn
m0_43425029的博客
07-03 254
神经网络的学习，可以参考官方文档： nn.Moudle 下面给一个调用nn.Moudle的小例子： import torch from torch import nn class Hue(nn.Module): def __init__(self): super().__init__() def forward(self,input): output = input + 1 return output hue = Hue() x = to
深度神经网络dnn和cnn
01-22
### 深度神经网络 DNN 和卷积神经网络 CNN 的区别 #### 架构差异 深度神经网络(DNN)是一种多层感知器结构，由输入层、多个隐藏层以及输出层组成。每一层中的节点与下一层的所有节点相连形成全连接模式[^1]。 相比之下，卷积神经网络(CNN)专门设计用于处理具有网格状拓扑的数据，如图像。其核心在于局部感受野机制——即通过滑动窗口的方式提取特征，并利用权重共享减少参数数量；此外还包含池化操作来降低维度并增强不变性特性[^2]。 #### 应用场景对比 ##### 图像识别领域 对于计算机视觉任务而言，CNN表现尤为出色。由于内置的感受野概念使得它能够自动捕捉空间层次上的抽象表示，因此非常适合于诸如物体检测、分类等基于二维平面信息的任务需求[^3]。 ```python import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv_layer = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=64, kernel_size=(3, 3), padding='same'), nn.ReLU(), nn.MaxPool2d(kernel_size=(2, 2)) ) self.fc_layer = nn.Linear(64 * 8 * 8, num_classes) def forward(self,x): x=self.conv_layer(x) x=x.view(-1,64*8*8) output=self.fc_layer(x) return output ``` ##### 非特定结构数据处理 而当面对那些不具备明显几何关系或者顺序性的复杂高维数据时，则更多采用DNN来进行建模分析。这类模型可以灵活调整层数和每层单元数以适应不同规模的问题求解过程。 ```python import torch.nn.functional as F from torch import nn class BasicDNN(nn.Module): def __init__(self, input_dim, hidden_dims, output_dim): super(BasicDNN, self).__init__() layers = [] last_dim = input_dim for dim in hidden_dims: layers.append(nn.Linear(last_dim,dim)) layers.append(nn.ReLU()) last_dim = dim layers.append(nn.Linear(last_dim,output_dim)) self.model = nn.Sequential(*layers) def forward(self, x): return self.model(x) ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值