從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？RNN（遞歸神經(jīng)網(wǎng)絡(luò)），顧名思義，以先前的輸出（隱藏狀態(tài)）作為輸入，形成一個循環(huán)。（RNN擴展，圖像源：colah.github.io文件)上面

從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？

RNN（遞歸神經(jīng)網(wǎng)絡(luò)），顧名思義，以先前的輸出（隱藏狀態(tài)）作為輸入，形成一個循環(huán)。

（RNN擴展，圖像源：colah.github.io文件)

上面的展開圖清楚地顯示了RNN的結(jié)構(gòu)。不難發(fā)現(xiàn)RNN的結(jié)構(gòu)與序列化數(shù)據(jù)是一致的。實際上，RNN實際上主要用于處理序列化數(shù)據(jù)。

基本上，不使用原始RNN，而是使用RNN的變體。

漸變裁剪可以緩解漸變爆炸，而RNN變體（如主流LSTM和Gru）可以緩解漸變消失。

（一般是sigmoid層）建模輸入、輸出和遺忘。

（圖片來源：中新網(wǎng)/@左上角的藍色是輸入門，右上角的綠色是輸出門，底部的紅色是遺忘門。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語音以及NLP？

對于目前的深度學習模型，雖然深度學習的目標之一是設(shè)計能夠處理各種任務(wù)的算法，但是深度學習的應(yīng)用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學習、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標準化和關(guān)注度。一般模型需要在將來提出。

圖像和視頻處理，計算機視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計算機視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點。將上述模型應(yīng)用于圖像分類識別中。在圖像分割、目標檢測等方面，提出了更有針對性的模型，并得到了廣泛的應(yīng)用。

語音處理，2012年之前，最先進的語音識別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學習RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學習模型也經(jīng)歷了幾個發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場景有不同的模型和策略來解決一些問題。

入門機器學習該如何入手？

作為一名科技工作者和計算機專業(yè)教育家，讓我來回答這個問題。

首先，機器學習是一個很好的選擇。機器學習作為人工智能領(lǐng)域的六大研究方向之一，目前比較流行。而且，由于機器學習與人工智能領(lǐng)域的其他研究方向密切相關(guān)，因此機器學習通常是學習人工智能的第一步。

機器學習本身涉及六大環(huán)節(jié)，即數(shù)據(jù)采集、算法設(shè)計、算法實現(xiàn)、算法訓練、算法驗證和算法應(yīng)用，因此學習機器學習可以從數(shù)據(jù)采集開始，然后逐步過渡到其他環(huán)節(jié)。在當今大數(shù)據(jù)時代，數(shù)據(jù)收集整理的方式越來越多，獲取數(shù)據(jù)的方式也越來越多。我們可以從基本的數(shù)據(jù)庫技術(shù)入手。其實，機器學習作為大數(shù)據(jù)分析的兩種常用方式，大數(shù)據(jù)領(lǐng)域的從業(yè)者往往需要關(guān)注機器學習技術(shù)。

算法設(shè)計是機器學習的核心，因此算法知識的學習是機器學習的重點。學習算法知識可以從基本的常用算法入手，如決策樹、樸素貝葉斯、支持向量機等算法需要重點學習。在學習算法的過程中，必須結(jié)合具體案例。算法的實現(xiàn)可以使用Python語言。目前，Python廣泛應(yīng)用于機器學習領(lǐng)域。

最后，對于目前的IT行業(yè)開發(fā)者來說，學習機器學習知識可以重點結(jié)合大數(shù)據(jù)和人工智能平臺提供的開發(fā)環(huán)境，讓他們有更好的學習體驗，在一定程度上增強自己的實踐能力。畢竟，未來大量機器學習的發(fā)展離不開平臺的支持。