常见的人工神经网络类型有哪些？

常见的人工神经网络类型：

前馈神经网络 (FF)

一种最早的神经网络形式，其中数据单向流过人工神经元层，直到获得输出。在现代，大多数前馈神经网络都被视为具有多个层（以及多个“隐藏”层）的“深度前馈神经网络”。前馈神经网络通常与称为“反向传播算法”的纠错算法配对使用。简单说来，该算法从神经网络的结果开始，然后一直反向工作到开始，发现错误以提高神经网络的准确率。许多简单但强大的神经网络都是深度前馈神经网络。

循环神经网络 (RNN)

一种与前馈神经网络不同的神经网络，它们通常使用时序数据或涉及序列的数据。与在网络的每个节点中使用权重的前馈神经网络不同，循环神经网络对前一层发生的事情具有“记忆”，这取决于当前层的输出。例如，执行自然语言处理时，RNN 可以“记住”一个句子中使用的其他字词。RNN 通常用于语音识别、翻译和图片说明。

长/短期内存 (LSTM)

一种高级形式的 RNN，它可以使用内存来“记住”先前的层中发生的事情。RNN 和 LSTM 之间的区别在于，LSTM 可以通过使用“内存单元”来记住几层之前发生的事情。【译注：原英文中的 LTSM 可能是 LSTM 的笔误】LSTM 常用于语音识别和预测。

卷积神经网络 (CNN)

一种神经网络，其中包含现代人工智能中一些最常见的神经网络。CNN 最常用于图像识别，它使用几个不同的层（一个卷积层，然后是一个 pooling 层），这些层在将图像重新组合在一起（在全连接层中）之前过滤图像的不同部分。较早的卷积层可能会寻找图像的简单特征，例如颜色和边缘，然后在附加层中寻找更复杂的特征。

生成对抗网络 (GAN)

一种网络，涉及两个在游戏中相互竞争的神经网络，该游戏最终会提高输出的准确率。一个网络（生成器）创建另一个网络（判别器）尝试证明真假的样本。GAN 用于制作逼真的图片，甚至用于制作艺术品。