sigmoid函数详解 是否存在通用的神经网络模型，可以处理图像，语音以及NLP？
是否存在通用的神经网络模型，可以处理图像，语音以及NLP？
对于目前的深度学习模型来说，尽管深度学习的一个目标是设计能够处理各种任务的算法，然而截至目前深度学习的应用仍然需要一定程度的特化，还没有通用的神经网络处理模型。不过各个模型也在互相借鉴，彼此融合，共同提高，象有些创新能同时改进卷积神经网络和循环神经网络，比如批标准化与注意力等。通用的模型还有待未来研究提出。
图像和视频处理，计算机视觉，目前最流行的是cnn，即卷积神经网络，及其变形和发展，cnn适合处理空间数据，在计算机视觉领域应用广泛。象陆续出现的ＡｌｅｘＮｅｔ，ＶＧＧＮｅｔ，ＧｏｏｇＬｅＮｅｔ，ＲｅｓＮｅｔ等都很有特色。以上几种模型是图像分类识别使用的。象图像分割，目标检测等还有更多针对性模型提出和得到广泛应用。
语音处理，2012 年前，最先进的语音识别系统是隐马尔可夫模型(HMM) 和高斯混合模型(GMM) 的结合。目前最流行的是深度学习的RNN循环神经网络，及其发展长短时记忆网络LSTM，以及GRU，双向RNN，分层RNN等。
自然语言处理，除了传统方法，目前深度学习用于自然语言处理的模型经历了基于CNN的模型，基于RNN的模型，基于Attention机制的模型，基于Transformer的模型等几个发展阶段。NLP有很多模型和方法，不同的任务场景有不同的模型和策略来解决某些问题。
逻辑回归的概率函数为什么要用sigmoid函数？
逻辑回归：y=sigmoid(w"x)线性回归：y=w"x也就是逻辑回归比线性回归多了一个sigmoid函数，sigmoid(x)=1/(1 exp(-x))，其实就是对x进行归一化操作，使得sigmoid(x)位于0~1逻辑回归通常用于二分类模型，目标函数是二类交叉熵，y的值表示属于第1类的概率，用户可以自己设置一个分类阈值。线性回归用来拟合数据，目标函数是平法和误差
sigmoid函数详解 神经网络sigmoid函数 sigmoid函数求导图像
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
