2021-01-04 13:28:41

apachecn · Jan 4, 2021 · 7d5c77b · 7d5c77b
1 parent e2f2895
commit 7d5c77b
Show file tree

Hide file tree

Showing 4 changed files with 19 additions and 19 deletions.
diff --git a/docs/4.md b/docs/4.md
@@ -18,7 +18,7 @@
 
 本章研究的第二种前馈神经网络，卷积神经网络，在处理数字信号时深受窗口滤波器的启发。通过这种窗口特性，卷积神经网络能够在输入中学习局部化模式，这不仅使其成为计算机视觉的主轴，而且是检测单词和句子等序列数据中的子结构的理想候选。我们在“卷积神经网络”中概述了卷积神经网络，并在“示例:使用 CNN 对姓氏进行分类”中演示了它们的使用。
 
-在本章中，多层感知器和卷积神经网络被分组在一起，因为它们都是前馈神经网络，并且与另一类神经网络——递归神经网络(RNNs)形成对比，递归神经网络(RNNs)允许反馈(或循环)，这样每次计算都可以从之前的计算中获得信息。在第 6 章和第 7 章中，我们将介绍 RNNs 以及为什么允许网络结构中的循环是有益的。
+在本章中，多层感知器和卷积神经网络被分组在一起，因为它们都是前馈神经网络，并且与另一类神经网络——循环神经网络(RNNs)形成对比，循环神经网络(RNNs)允许反馈(或循环)，这样每次计算都可以从之前的计算中获得信息。在第 6 章和第 7 章中，我们将介绍 RNNs 以及为什么允许网络结构中的循环是有益的。
 
 在我们介绍这些不同的模型时，确保您理解事物如何工作的一个有用方法是在计算数据张量时注意它们的大小和形状。每种类型的神经网络层对它所计算的数据张量的大小和形状都有特定的影响，理解这种影响可以极大地有助于对这些模型的深入理解。