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(xué)習(xí)模型來說，盡管深度學(xué)習(xí)的一個目標是設(shè)計能夠處理各種任務(wù)的算法，然而截至目前深度學(xué)習(xí)的應(yīng)用仍然需要一定程度的特化，還沒有通用的

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(xué)習(xí)模型來說，盡管深度學(xué)習(xí)的一個目標是設(shè)計能夠處理各種任務(wù)的算法，然而截至目前深度學(xué)習(xí)的應(yīng)用仍然需要一定程度的特化，還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。不過各個模型也在互相借鑒，彼此融合，共同提高，象有些創(chuàng)新能同時改進卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，比如批標準化與注意力等。通用的模型還有待未來研究提出。

圖像和視頻處理，計算機視覺，目前最流行的是cnn，即卷積神經(jīng)網(wǎng)絡(luò)，及其變形和發(fā)展，cnn適合處理空間數(shù)據(jù)，在計算機視覺領(lǐng)域應(yīng)用廣泛。象陸續(xù)出現(xiàn)的ＡｌｅｘＮｅｔ，ＶＧＧＮｅｔ，ＧｏｏｇＬｅＮｅｔ，ＲｅｓＮｅｔ等都很有特色。以上幾種模型是圖像分類識別使用的。象圖像分割，目標檢測等還有更多針對性模型提出和得到廣泛應(yīng)用。

語音處理，2012 年前，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(xué)習(xí)的RNN循環(huán)神經(jīng)網(wǎng)絡(luò)，及其發(fā)展長短時記憶網(wǎng)絡(luò)LSTM，以及GRU，雙向RNN，分層RNN等。

自然語言處理，除了傳統(tǒng)方法，目前深度學(xué)習(xí)用于自然語言處理的模型經(jīng)歷了基于CNN的模型，基于RNN的模型，基于Attention機制的模型，基于Transformer的模型等幾個發(fā)展階段。NLP有很多模型和方法，不同的任務(wù)場景有不同的模型和策略來解決某些問題。

邏輯回歸的概率函數(shù)為什么要用sigmoid函數(shù)？

邏輯回歸：y=sigmoid(w"x)線性回歸：y=w"x也就是邏輯回歸比線性回歸多了一個sigmoid函數(shù)，sigmoid(x)=1/(1 exp(-x))，其實就是對x進行歸一化操作，使得sigmoid(x)位于0~1邏輯回歸通常用于二分類模型，目標函數(shù)是二類交叉熵，y的值表示屬于第1類的概率，用戶可以自己設(shè)置一個分類閾值。線性回歸用來擬合數(shù)據(jù)，目標函數(shù)是平法和誤差