深度学习算法与架构回顾

深度学习(DL)在我们的生活中扮演着越来越重要的角色。它已经在癌症诊断、精准医疗、自动驾驶汽车、预测预测和语音识别等领域产生了巨大的影响。在传统的学习、分类和模式识别系统中使用的人工制作的特征提取器对于大型数据集是不可扩展的。在许多情况下，根据问题的复杂性，DL还可以克服早期浅层网络的限制，这些限制阻碍了有效的训练和多维培训数据分层表示的抽象。深度神经网络(DNN)使用多个(深度)单元层，具有高度优化的算法和体系结构。来自美国AJAY SHRESTHA等学者撰写了深度学习算法与架构回顾综述论文，包括深度学习算法类型与训练方法，深入研究了最近深度网络中使用的训练算法背后的数学原理。本文还介绍了深度卷积网络、深度残差网络、递归神经网络、增强学习、变分自编码器等不同类型的深度结构。