18、生物医学中的深度学习、机器学习与物联网应用

生物医学中的深度学习、机器学习与物联网应用

1. 深度学习网络基础架构

1.1 全连接层

全连接层也被称为前馈层，是网络的最后几层。池化层的输出作为该层的输入，其主要功能是将池化层的输出展平为单个值，然后应用权重来确定合适的标签。

1.2 循环神经网络（RNN）

RNN 包含能够有效分析数据流的隐藏层，适用于输出基于先前计算结果的各种应用，如文本分析、语音分析、音乐创作等。不过，RNN 存在梯度消失问题，为解决此问题，开发了长短期记忆网络（LSTM）这一 RNN 变体。

1.3 自动编码器

自动编码器是一种无监督学习算法，采用反向传播技术使目标值与输入值相等。其目的是最小化输入大小，必要时可从压缩数据中恢复原始数据。该网络通过数据驱动技术提取编码和特征，对于多维数据，数据压缩和降维非常必要，以确保数据无损失加载。

1.4 深度信念网络（DBN）

DBN 是一种由受限玻尔兹曼机（RBM）堆叠而成的深度学习算法。在该网络中，每个隐藏层都与 RBM 层相连，结合贪心算法在无监督学习之上实现。DBN 用于识别聚类、创建视频序列和捕获运动数据。

2. 深度学习网络类型分类

深度学习神经网络（DNN）模型众多，主要可分为以下几类：
| 类型 | 说明 |
| — | — |
| 用于监督学习的 DNN | 基于有标签数据进行训练，以预测输出结果 |
| 用于无监督学习的 DNN | 处理无标签数据，发现数据中的模式和结构 |
| 用于半监督学习的 DNN | 结合少量有标签数据和大量无