网络体系结构定义了深度学习模型的结构方式，更重要的是定义了它的设计目的。体系结构将决定:
- 该模型的准确性（网络架构是影响准确性的许多因素之一）
- 模型可以预测的内容
- 模型预期的输入和输出
- 层的组合以及数据如何流过层
在选择网络体系结构之前，了解您拥有的用例类型和可用的公共网络非常重要。
在深入学习时，您可能会遇到这些常见的架构：
•卷积神经网络（CNN）：CNNS通常与图像相关联作为输入数据，但它们也可以用于其他输入数据，我将进入问题1中的这些细节。
•经常性神经网络（RNN）：RNN具有跟踪以前的信息以使未来预测的连接。与CNN不同，其中每个输入被假定为独立的事件，RNN可以处理可能影响对方的数据序列。一个例子是自然语言处理，其中之前的单词影响了接下来是什么的可能性。
•长短期内存（LSTM）：LSTM网络是序列和信号数据的常用RNN。我会在问题3中进行更详细的细节。
•生成对抗网络（GAN）：虽然我在下面的问题中没有涵盖这些，但最近的GAN变得更加流行。GAN可以基于现有数据生成新数据（认为实际上不是真实人的人的图像）。我认为这是令人兴奋的，一点未来派;您可以了解更多关于Gans的内容
非常好的问题。最简单的答案就是你大概想让CNN对图像进行分类。
这就是为什么。
让我们从CNN和LSTM网络是什么开始，以及它们通常是如何使用的。
CNN.
谈论卷积神经网络时，有人说“Convnet”，但每当我尝试在谈话中丢弃时，我总是觉得我在我实际上没有。
cnn由许多层组成，但遵循某种类似于卷积| ReLU |池化的模式，它会一次又一次地重复。它们在图像分类中非常有用，因为它们在局部空间模式匹配方面非常出色，而且在图像特征提取方面通常也优于其他方法。请记住cnn的核心是卷积．将输入图像与一系列滤波器进行卷积可以突出图像中的特征，而不会损失相邻像素之间的空间交互作用。
这个主题有很多变体，但cnn常见的配置如下:
系列网络
alexnet的一个例子。
系列层遵循一条直线。
DAG网络
Googlenet的一个例子。
多行和连接
是一个经典的表现迹象。
LSTM.
长短期内存网络主要与时间序列和序列数据相关联。LSTM网络记得在做出决策之前的一些部分 - 他们在上下文中看到数据，这有助于提高关联。
该图说明了一个简单的LSTM网络分类：
时间序列回归场景＃2：我有来自多个传感器的数据，并希望预测剩余的使用寿命（机器在需要修理或更换之前的时间量）。
我的同事和我在工业自动化领域的客户身上看到了这个问题，他们需要在问题变得危险或昂贵之前发现问题。这次，您可能希望使用LSTM网络而不是机器学习回归。这种方法减少了手动识别特征的需要，而手动识别特征对于多个传感器来说是一项重要的任务。
时间序列回归场景＃3我有音频数据，我想去噪。
这里你可以用CNN。这种方法的重要之处在于，在将信号传输到网络之前，先将它们转换成图像。这意味着信号通过傅里叶变换或其他时频处理变成图像表示。使用图像提供了一种查看特征的方法，你可能无法在原始信号中可视化。由于傅里叶变换本质上是一幅图像，因此使用的网络可以是为图像设计的预先训练的网络。
现在，再一次，你可以做你想做的。您也很可能在场景1中使用LSTM网络，或者在场景2中使用CNN。这些场景只是为了给您一个起点。
网络架构和预先训练的网络是齐头并进的。预训练模型是一个经过训练的神经网络。根据输入数据调整网络的权重和偏差，可以更快地对网络进行再训练，以适应新的任务。这个过程称为迁移学习，有时需要更少的图像，使用更小的数据集。另一种探索方法是通过模拟或增强“创造”更多数据。
目前，我会说，您应该使用您想要的任何网络，无论数据集大小如何，都要考虑使用佩带的网络需要更少的输入数据，或者考虑增强数据集的方法。我的下一列将涵盖掠夺网络和模型，因此请在此主题上留意。
