深度学习的基本模型有哪些?

樵夫2021-12-02 15:41

  自从深度学习大热之后,各种各样的模型不断涌现,许多朋友都在问到底DNN,CNN,RNN,那么多网络究竟有什么区别,作用又是什么?

深度学习的基本模型有哪些?

  LeNet:基于渐变的学习应用于文档识别

  AlexNet:具有深卷积神经网络的ImageNet分类

  ZFNet:可视化和理解卷积网络

  VGGNet:用于大规模图像识别的非常深的卷积网络

  NiN:网络中的网络

  GoogLeNet:卷入更深入

  Inception-v3:重新思考计算机视觉的初始架构

  ResNet:图像识别的深度残差学习

  Stochastic_Depth:具有随机深度的深层网络

  WResNet:非常深的网络的加权残差

  Inception-ResNet:Inception-v4.inception-resnet以及剩余连接对学习的影响

  Fractalnet:没有残差的超深层神经网络

  WRN:宽残留网络

  ResNeXt:深层神经网络的聚合残差变换

  DenseNet:密集连接的卷积网络

  PyramidNet:深金字塔残留网络

  DPN:双路径网络

  SqueezeNet:AlexNet级准确度,参数减少50倍,模型尺寸小于0.5MB

  MobileNets:用于移动视觉应用的高效卷积神经网络

  ShuffleNet:移动设备极高效的卷积神经网络

  点击图片免费领取课程!

深度学习的基本模型有哪些?

  以上就是小编为大家整理发布的“深度学习的基本模型有哪些?”一文,更多相关内容尽在开课吧广场人工智能教程频道。

免责声明:本站所提供的内容均来源于网友提供或网络搜集,由本站编辑整理,仅供个人研究、交流学习使用。如涉及版权问题,请联系本站管理员予以更改或删除。
有用
分享