從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？RNN（遞歸神經(jīng)網(wǎng)絡(luò)），顧名思義，以先前的輸出（隱藏狀態(tài)）作為輸入，形成一個循環(huán)。（RNN擴展，圖像源：colah.github.io文件)上面

從RNN到LSTM，性能良好的神經(jīng)網(wǎng)絡(luò)到底是如何工作的？

RNN（遞歸神經(jīng)網(wǎng)絡(luò)），顧名思義，以先前的輸出（隱藏狀態(tài)）作為輸入，形成一個循環(huán)。

（RNN擴展，圖像源：colah.github.io文件)

上面的展開圖清楚地顯示了RNN的結(jié)構(gòu)。不難發(fā)現(xiàn)RNN的結(jié)構(gòu)與序列化數(shù)據(jù)是一致的。實際上，RNN實際上主要用于處理序列化數(shù)據(jù)。

基本上，不使用原始RNN，而是使用RNN的變體。

漸變裁剪可以緩解漸變爆炸，而RNN變體（如主流LSTM和Gru）可以緩解漸變消失。

（一般是sigmoid層）建模輸入、輸出和遺忘。

（圖片來源：中新網(wǎng)/@左上角的藍(lán)色是輸入門，右上角的綠色是輸出門，底部的紅色是遺忘門。

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，雖然深度學(xué)習(xí)的目標(biāo)之一是設(shè)計能夠處理各種任務(wù)的算法，但是深度學(xué)習(xí)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(xué)習(xí)、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，如批量標(biāo)準(zhǔn)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(biāo)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(jìn)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)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(xué)習(xí)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。

LSTM可以用于圖像分割嗎？

也可以，因為LSTM是RNN。歸根結(jié)底，RNN是一種自回歸計算。如果您認(rèn)為有必要使用自回歸進(jìn)行圖像分割，為什么不嘗試LSTM呢？例如，這并不是說沒有人用RNN做過圖像識別

這不僅僅是因為人工智能現(xiàn)在如此火爆，歷史上也曾一度火爆。

人們總是高估短時間內(nèi)能取得的成就，卻低估了長時間內(nèi)能取得的成就。這是人類社會的本性，而且一直如此。1956年達(dá)特茅斯會議提出了人工智能的概念。當(dāng)時，科學(xué)家們信心滿滿，希望讓人工智能在十年內(nèi)解決人類智能能夠解決的問題。當(dāng)時的一位大牛認(rèn)為，讓機器看到和理解事物是一項非常簡單的任務(wù)，讓他的博士生在一個月內(nèi)解決機器視覺的問題。當(dāng)然，我們知道，這個問題到現(xiàn)在還沒有解決。

人工智能是一個極其重要的領(lǐng)域。正因為如此，人們對它的看法總是徘徊在幾個極端之間。上世紀(jì)60年代，人們對解決自然語言問題充滿了熱情，希望用幾年時間創(chuàng)造出一個通用的翻譯器，讓人們相互理解，讓巴別塔不再是廢墟。但在投入了大量人力物力后，研究人員卻一敗涂地。于是，人工智能的熱潮迅速退去。在接下來的十年里，整個領(lǐng)域變得悲觀起來，持續(xù)了十多年的“人工智能之冬”開始了。

然而，許多研究人員仍在研究它——畢竟，人工智能太有吸引力了。20世紀(jì)90年代以來，一些新的思想被應(yīng)用，人工智能領(lǐng)域逐漸活躍起來。但最大的變化應(yīng)該是2006年提出的“深度學(xué)習(xí)”方法。該方法以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，模擬人腦的學(xué)習(xí)方法，構(gòu)造多層機器學(xué)習(xí)模型。

最重要的是，這種方法具有很強的通用性，使機器能夠“學(xué)習(xí)”如何理解現(xiàn)實世界中的對象。因此，人們在圖像識別、機器翻譯、作文、寫作等領(lǐng)域進(jìn)行了深入的學(xué)習(xí)嘗試，其中自然語言處理有著良好的發(fā)展勢頭。

如果在人工智能的發(fā)展中有任何突破性的技術(shù)，深度學(xué)習(xí)應(yīng)該是其中之一。然而，這一領(lǐng)域的普及不僅僅是由深度學(xué)習(xí)推動的，計算機工具的普及、計算能力的提高和互聯(lián)網(wǎng)的發(fā)展都是促成當(dāng)今人工智能發(fā)展的重要因素。