在本章中，我们将研究Python深度学习的基础知识。

深度学习模型/算法

现在让我们了解不同的深度学习模型/算法。

深度学习中的一些流行模型如下-

• 卷积神经网络
• 递归神经网络
• 深度信仰网络
• 生成对抗网络
• 自动编码器等

输入和输出表示为矢量或张量。例如，神经网络可以具有输入，其中图像中的各个像素RGB值表示为矢量。

位于输入层和输出层之间的神经元层称为隐藏层。这是神经网络试图解决问题时大部分工作的地方。仔细研究隐藏层可以揭示很多有关网络已学会从数据中提取的功能的信息。

通过选择哪些神经元连接到下一层中的其他神经元，可以形成神经网络的不同体系结构。

用于计算输出的伪代码

以下是用于计算前向传播神经网络输出的伪代码-

• ＃node []：=拓扑排序节点的数组
• ＃从a到b的边表示a在b的左侧
• ＃如果神经网络具有R输入和S输出，
• ＃然后，第一个R节点是输入节点，最后一个S节点是输出节点。
• ＃入站[x]：=连接到节点x的节点
• ＃weight [x]：=输入边到x的权重

对于每个神经元x，从左到右-

• 如果x <= R：不执行任何操作＃其输入节点
• 输入[x] = [输入[x]中i的输出[i]]
• weighted_sum = dot_product(权重[x]，输入[x])
• 输出[x] =激活功能(加权和)