看透神经网络和深度学习的脉络，终于不迷糊了

神经网络和深度学习近几年好多人在学习，但是他们具体是什么关系，又有什么联系，众说纷纭， 有人说：深度学习可以理解成用深度神经网络（DNN，Deep Neural Network）来进行机器学习， 有人说：深度学习是一种方法，神经网络是个模型。用了深度学习可以有效解决层数多的网络不好学习的问题 还有人说：本是同根生，相煎何太急 接下来，下面这张图，能帮助大家更好地学习神经网络和深度学习，掌握理清脉络

mark

线性回归是最基本的 注释：红色是基础

• ＮＬＰ自然语言处理(nlp,natural language processing)
• 机器学习(machine learning)
• ＣＮＮ卷积神经网络（convolutional neural network）
• ＲＮＮ递归神经网络(Recurrent Neural Network)
• LSTM Long Short Term Memory长的短时记忆长短时记忆长短时记忆模型

CNN：卷积神经网络【空间】 RNN: 递归神经网络【时域】 神经网络中，隐含层网络的输出作为下一时刻自身的输入–>一级一级会衰弱–》需要记忆封存的结构（LSTM） RNN->LSTM【记忆量的扩充】 描述

• 非线性的运算关系叠加起来就是一个神经网络
• 神经网络到CNN，RNN（空间和时间的扩展）
• 卷积核：二维的处理算组，图像的处理
• 神经网络到CNN就是一维到二维三维的转化，在空间上进行扩展
• 神经网络到RNN（神经网络一维有个时间的延续，比如说语音）
• 记忆GATE-根据输入的信息判断哪些是需要提前记下来的，在之后处理的时候选择要不要释放

小象学院公开课具体讲述了这一内容，下面是视频链接： 视频连接