利用卷積神經(jīng)網(wǎng)絡(luò)模型，怎么識別人體行為動作？CNN卷積神經(jīng)網(wǎng)絡(luò)是一種深度模型。事實上，它已經(jīng)成功地訓練和應(yīng)用了很長一段時間（最近，深度學習可能太流行了，CNN也依賴它）。雖然CNN也屬于多層神經(jīng)網(wǎng)絡(luò)體

利用卷積神經(jīng)網(wǎng)絡(luò)模型，怎么識別人體行為動作？

CNN卷積神經(jīng)網(wǎng)絡(luò)是一種深度模型。

事實上，它已經(jīng)成功地訓練和應(yīng)用了很長一段時間（最近，深度學習可能太流行了，CNN也依賴它）。雖然CNN也屬于多層神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，但很多人在將其放入DL家族時仍然保持著自己的理解。它在原始輸入中使用可訓練濾波器和局部鄰域池運算，得到一個層次化的、逐漸復雜的特征表示。實踐表明，采用適當?shù)恼齽t化項進行訓練可以取得很好的效果。CNN的另一個最受歡迎的特點是它對姿勢、光線和復雜背景等事物保持不變。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語音以及NLP？

對于目前的深度學習模型，雖然深度學習的目標之一是設(shè)計能夠處理各種任務(wù)的算法，但是深度學習的應(yīng)用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。然而，每一種模式也在相互學習、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標準化和關(guān)注度。一般模型需要在將來提出。

圖像和視頻處理，計算機視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡(luò)，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應(yīng)用于計算機視覺領(lǐng)域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點。將上述模型應(yīng)用于圖像分類識別中。在圖像分割、目標檢測等方面，提出了更有針對性的模型，并得到了廣泛的應(yīng)用。

語音處理，2012年之前，最先進的語音識別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學習RNN遞歸神經(jīng)網(wǎng)絡(luò)，其長、短期記憶網(wǎng)絡(luò)LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學習模型也經(jīng)歷了幾個發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務(wù)場景有不同的模型和策略來解決一些問題。

深度學習的預(yù)測模型有哪些？

深度學習模型很常見：卷積神經(jīng)網(wǎng)絡(luò)CNN、堆疊式自動編碼器SAE、遞歸神經(jīng)網(wǎng)絡(luò)DNN、生成對抗網(wǎng)絡(luò)Gan、深度信念網(wǎng)絡(luò)DBN、深度神經(jīng)網(wǎng)絡(luò)DNN、深度強化學習DRL以及模型的許多變體。

深度學習中沒有預(yù)測模型，只是那些模型是一個預(yù)測問題。GDP預(yù)測是一個連續(xù)的問題。我覺得CNN、DBN和DNN不合適。如果數(shù)據(jù)量有限，參考互聯(lián)網(wǎng)金融，我覺得遷移學習深度學習模式是一個不錯的選擇。Deep learning和NLP Deep learning及CNN]，官方帳號僅供個人參考。卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種深度學習算法，Lenetè也是一種深度學習算法。目前，它被廣泛應(yīng)用。事實上，除了CNN之外，還有其他網(wǎng)絡(luò)算法在深度學習中，比如Hinton的DBNs，這對語音和自然語言處理都有好處。目前，CNN主要是利用CNN來實現(xiàn)更好的并行計算，特別是在有GPU的情況下。相比之下，LSTM等序列計算模型不能很好地利用GPU。近一年來，以Bert為代表的基于自我注意機制的“通用NLP模型”被提出。一個模型可以用于許多不同的NLP任務(wù)，其中大多數(shù)都比以前取得了更好的效果，也可以更好地利用GPU