网络拓扑结构（带你了解神经网络的“拓扑结构”）

深度学习模型是层构成的有向无环图。最常见的例子就是层的线性堆叠，将单一输入映射为单一输出。

神经网络的拓扑结构包括网络层数、各层神经元数量以及各神经元之间相互连接的方式。一些常见的网络拓扑结构有：

双分支（two-branch）网络

多头（multihead）网络

Inception模块

网络百思特网的拓扑结构定义了一个假设空间（hypothesis space）。在预先定义好的可能性空间中，利用反馈信号的指引来寻找输入数据的有百思特网用表示。选定了网络拓扑结构，意味着将可能性空间（假设空间）限定为一系列特定的张量运算，将输入数据映射为输出数据。然后，我们为这些张量运算的权重张量找到一组合适的值。

人工神经网络的模型从其拓扑结构角度去看，可分为层次型和互连型。层次型模型是将神经网络分为输入层（Input Layer）、隐层（Hidden Layer）和输出层（Output Layer），各层顺序连接。其中，输入层神经元负责接收来自外界的输入信息，并将其传递给隐层神经元。隐层负责神经网络内部的信息处理、信息变换。通常会百思特网根据变换的需要，将隐层设计为一层或多层。



网络模型示意图

选择正确的网络架构更像是一门艺术而不是科学。虽然有一些最佳实践和原则，但只有动手实践才能让你称为合格的神经网络架构师。在学习过程中，我们需要深入理解构建神经网络的详细原则，从直觉上对它们进行感知，明白对于特定问题哪些架构有用，而哪些架构无用。