CNN、RNN、GAN都是什么？终于有人讲明白了

CNN、RNN、GAN都是什么？终于有人讲明白了

导读：深度学习已经存在了几十年，不同的结构和架构针对不同的用例而进行演变。其中一些是基于我们对大脑的想法，另一些是基于大脑的实际工作。本文将简单介绍几个业界目前使用的先进的架构。

作者：谢林·托马斯（Sherin Thomas）、苏丹舒·帕西（Sudhanshu Passi）

来源：华章科技

▲图1.11 seq2seq 网络

自动编码器（图1.12）是一种特殊的编码器–解码器网络，属于无监督学习范畴。自动编码器尝试从未标记的数据中进行学习，将目标值设置为输入值。

例如，如果输入一个大小为100×100的图像，则输入向量的维度为10 000。因此，输出的大小也将为 10 000，但隐藏层的大小可能为 500。简而言之，你正在尝试将输入转换为较小的隐藏状态表示形式，从隐藏状态重新生成相同的输入。

▲图1.12 自动编码器的结构

你如果能够训练一个可以做到这一点的神经网络，就会找到一个好的压缩算法，其可以将高维输入变为低维向量，这具有数量级收益。

如今，自动编码器正被广泛应用于不同的情景和行业。

03 循环神经网络

循环神经网络（RNN）是最常见的深度学习算法之一，它席卷了整个世界。我们现在在自然语言处理或理解方面几乎所有最先进的性能都归功于RNN的变体。在循环网络中，你尝试识别数据中的最小单元，并使数据成为一组这样的单元。

在自然语言的示例中，最常见的方法是将一个单词作为一个单元，并在处理句子时将句子视为一组单词。你在整个句子上展开RNN，一次处理一个单词（图1.13）。RNN 具有适用于不同数据集的变体，有时我们会根据效率选择变体。长短期记忆 （LSTM）和门控循环单元（GRU）是最常见的 RNN 单元。

▲图1.16 GAN配置

在GAN中，两个网络相互竞争，最终达到一种平衡，即生成网络可以生成数据，而鉴别网络很难将其与实际图像区分开。

一个真实的例子就是警察和造假者之间的斗争：假设一个造假者试图制造假币，而警察试图识破它。最初，造假者没有足够的知识来制造看起来真实的假币。随着时间的流逝，造假者越来越善于制造看起来更像真实货币的假币。这时，警察起初未能识别假币，但最终他们会再次成功识别。

这种生成–对抗过程最终会形成一种平衡。GAN 具有极大的优势。

07 强化学习

通过互动进行学习是人类智力的基础，强化学习是领导我们朝这个方向前进的方法。过去强化学习是一个完全不同的领域，它认为人类通过试错进行学习。然而，随着深度学习的推进，另一个领域出现了“深度强化学习”，它结合了深度学习与强化学习。

现代强化学习使用深度网络来进行学习，而不是由人们显式编码这些规则。我们将研究Q学习和深度Q学习，展示结合深度学习的强化学习与不结合深度学习的强化学习之间的区别。

强化学习被认为是通向一般智能的途径之一，其中计算机或智能体通过与现实世界、物体或实验互动或者通过反馈来进行学习。训练强化学习智能体和训练狗很像，它们都是通过正、负激励进行的。当你因为狗捡到球而奖励它一块饼干或者因为狗没捡到球而对它大喊大叫时，你就是在通过积极和消极的奖励向狗的大脑中强化知识。

我们对AI智能体也做了同样的操作，但正奖励将是一个正数，负奖励将是一个负数。尽管我们不能将强化学习视为与 CNN/RNN 等类似的另一种架构，但这里将其作为使用深度神经网络来解决实际问题的另一种方法，其配置如图1.17所示。

▲图1.17 强化学习配置

关于作者：谢林·托马斯（Sherin Thomas）的职业生涯始于信息安全专家，后来他将工作重心转移到了基于深度学习的安全系统。他曾帮助全球多家公司建立AI流程，并曾就职于位于印度班加罗尔的一家快速成长的初创公司CoWrks。

苏丹舒·帕西（Sudhanshu Passi）是CoWrks的技术专家。在CoWrks ，他一直是机器学习的一切相关事宜的驱动者。在简化复杂概念方面的专业知识使他的著作成为初学者和专家的理想读物。

本文摘编自《PyTorch深度学习实战》，经出版方授权发布。

延伸阅读《PyTorch深度学习实战》

推荐语：本书是一本深度学习实践指南，聚焦于PyTorch深度学习各场景的动手实现，不涉及模型层面的原理剖析。书中通过大量示例及代码，详细展示如何使用PyTorch构建深度学习模型原型、构建深度学习工作流和将原型用于生产。