下载文档原格式
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
目录1简介2基础概念▪深度▪解决问题3核心思想4例题5转折点6成功应用1简介深度学习的概念源于人工神经网络的研究。
含多隐层的多层感知器就是一种深度学习结构。
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
[2]深度学习的概念由Hinton等人于2006年提出。
基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。
此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
[2]2基础概念深度：从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算并且一个计算深度学习的值(计算的结果被应用到这个节点的孩子节点的值)。
考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。
输入节点没有孩子，输出节点没有父亲。
这种流向图的一个特别属性是深度(depth)：从一个输入到一个输出的最长路径的长度。
传统的前馈神经网络能够被看做拥有等于层数的深度(比如对于输出层为隐层数加1)。
SVMs有深度2(一个对应于核输出或者特征空间，另一个对应于所产生输出的线性混合)。
人工智能大模型算法随着人工智能技术的飞速发展，大模型算法已经成为这一领域的重要组成部分。
这些算法能够处理大规模数据，进行深度学习和模式识别，从而在各个领域中发挥重要作用。
本篇文章将详细介绍人工智能中的大模型算法，帮助读者全面了解这一技术的原理和应用。
一、大模型算法概述大模型算法是一种基于大规模数据的深度学习算法，通过训练模型来识别和预测各种数据模式。
这类算法能够处理海量数据，并在大量训练样本的帮助下，提高模型的准确性和可靠性。
大模型算法的应用范围广泛，包括自然语言处理、图像识别、声音识别等领域。
二、大模型算法原理大模型算法的核心是神经网络，这是一种模拟人脑工作方式的计算方法。
神经网络由多个神经元组成，每个神经元负责处理一种特定的数据模式。
通过训练，神经网络能够学会识别各种模式，并据此进行预测和决策。
在人工智能领域，大模型算法通常采用深度学习技术，通过大量的训练数据来优化模型参数，提高模型的准确性和泛化能力。
深度学习技术能够模拟人脑的学习方式，通过反复学习和调整，使模型逐渐适应各种复杂的数据模式。
三、大模型算法的类型1. 深度神经网络（DNN）：DNN是最常见的一种神经网络，通过多层神经元的组合和连接，实现复杂的模式识别和预测功能。
2. 卷积神经网络（CNN）：CNN在图像识别中具有优异的表现，通过卷积层、池化层等结构，有效地提取图像特征。
3. 循环神经网络（RNN）：RNN在处理序列数据中具有独特优势，能够捕捉到时间序列中的长期依赖关系。
4. 生成对抗网络（GAN）：GAN是一种竞争性神经网络架构，通过生成器和判别器的对抗训练，生成逼真的数据。
四、大模型算法的应用大模型算法在各个领域都有广泛的应用，包括但不限于：1. 自然语言处理：通过大模型算法，可以实现对文本、语音、图像等的自然语言理解与生成。
如机器翻译、智能问答、自动写作等。
2. 医疗诊断：大模型算法可用于医学图像分析，如CT、MRI扫描等，提高医生对疾病诊断的准确性。
神经网络基本知识、BP神经网络一．概述1.1神经网络的定义人工神经网络(Artificial Neural Networks，简写为 ANNs)是由大量类似于生物神经元的处理单元相互连接而成的非线性复杂网络系统。
它是用一定的简单的数学模型来对生物神经网络结构进行描述，并在一定的算法指导下，使其能够在某种程度上模拟生物神经网络所具有的智能行为，解决传统算法所不能胜任的智能信息处理的问题。
它是巨量信息并行处理和大规模并行计算的基础，神经网络既是高度非线性动力学系统，又是自组织自适应系统，可用来描述认知、决策和控制的智能行为。
1.2 神经网络的发展历史对人工神经网络的研究始于 1943 年，经历 60 多年的发展，目前已经在许多工程研究领域得到了广泛应用。
但它并不是从一开始就倍受关注，它的发展道路曲折、几经兴衰，大致可以分为以下五个阶段：①奠基阶段：1943 年，由心理学家 McCulloch 和数学家 Pitts 合作，提出第一个神经计算模型，简称 M-P 模型，开创了神经网络研究这一革命性的思想。
②第一次高潮阶段：20 世纪 50 年代末 60 年代初，该阶段基本上确立了从系统的角度研究人工神经网络。
1957 年 Rosenblatt 提出的感知器(Perceptron)模型，可以通过监督学习建立模式判别能力。
③坚持阶段：随着神经网络研究的深入开展，人们遇到了来自认识、应用实现等方面的难题，一时难以解决。
神经网络的工作方式与当时占主要地位的、以数学离散符号推理为基本特征的人工智能大相径庭，但是更主要的原因是：当时的微电子技术无法为神经网络的研究提供有效的技术保证，使得在其后十几年内人们对神经网络的研究进入了一个低潮阶段。
④第二次高潮阶段：20 世纪 70 年代后期，由于神经网络研究者的突出成果，并且传统的人工智能理论和 Von.Neumann 型计算机在许多智能信息处理问题上遇到了挫折，而科学技术的发展又为人工神经网络的物质实现提供了基础，促使神经网络的研究进入了一个新的高潮阶段。
《神经网络与深度学习》课程标准【课程名称】神经网络与深度学习【适用专业】高等职业教育智能产品开发专业一、课程定位1．课程性质本课程为智能产品开发专业职业技能核心课程。
2．课程任务通过本课程学习培养学生智能产品设计与开发的综合能力，包括机器学习、深度学习相关概念，介绍TensorFlow的变量、矩阵和各种数据源等基本概念，深度剖析线性回归、支持向量机、*近邻域、神经网络和自然语言处理等算法，并结合丰富的实例详细讲解情感分析、回归分析、聚类分析、神经网络和深度学习实战等应用等。
3．课程衔接本课程的前序课程为《Python程序设计》、《人工智能导论》，后续课程为《顶岗实习》。
二、课程目标通过本课程学习，理解智能产品开发过程中涉及到的诸多AI技术，能够根据实际要求完成人工智能项目的设计、制作、调试，培养学生基本专业技能、积极参与意识、责任意识、协作意识和自信心，使教学过程更有目的性和针对性。
养成良好的沟通能力与团队协作精神，具有安全文明的工作习惯、良好的职业道德、较强的质量意识和创新精神。
具体应具备以下能力：1．理解人工智能产品结构设计与生产过程的基本概念；2．理解人工智能产品的基本算法、机器学习概念；3．理解深度学习概念，了解其应用领域；4．TensorFlow的变量、矩阵和各种数据源等基本概念5．理解线性回归概念；6．支持向量机；7．聚类分析；8．神经网络和自然语言处理等算法；9．人工智能产品控制程序编写与调试；10．智能产品使用说明书的编写。
【教学内容】学习情境 职业能力目标 学习子情境 教学内容 课时分配一、安装TensorFlow 1、安装前的环境准备2、能够使用Linux系统和Python语言3、能够独立安装Anaconda4、能够安装CUDA和cuDNN5、掌握TensorFlow测试方法（一）安装CUDA和cuDNN1、CUDA的安装2、cuDNN的安装3、Protocol Buffer4、Bazel5、从源代码编译并安装4（二）安装和测试TensorFlow1、安装TensorFlow2、运行向量相加的例子3、加载过程存在的一些问题4二、TensorFlow 编程策略 1、掌握计算图与张量2、熟练使用TensorFlow的运行模型3、正确创建变量并管理变量空间4、掌握variable_scope()与name_scope()及其使用方法（一）TensorFlow的数据模型1、分析并演示分析TensorFlow的数据模型2、会使用计算图描述TensorFlow计算模型3、张量的使用6（二）TensorFlow的运行模型1、TensorFlow系统结构概述2、简单使用会话3、使用with/as环境上下文管理器4、Session的参数配置5、placeholder机制6三、深度前馈神经网络 1、掌握网络的前馈方式2、全连接的概念3、神经元与全连接结构4、前向传播算法5、线性模型的局限性6、激活函数（一）网络的前馈方式及全连接的概念1、前馈网络2、全连接的概念3、神经元与全连接结构4（二）激活函数 1、常用激活函数2、激活函数实现去线性化3、激活函数调用栈的查看6（三）多层网络解决异或运算1、损失函数2、经典损失函数3、自定义损失函数4四、优化网络的方法 1、基于梯度的优化2、反向传播3、学习率的独立设置4、拟合（一）基于梯度的优化1、梯度下降算法的概念2、随机梯度下降4（二）反向传播 1、简要解释反向传播算法2、自适应学习率算法3、TensorFlow提供的优化器6（三）学习率的独立设置 1、指数衰减的学习率2、其他优化学习率的方法6合 计 50 三、考核与评价本学习领域的课程宜考核采用过程考核和期末上机随即抽题方式。
基于深度神经网络的语音识别模型研究共3篇基于深度神经网络的语音识别模型研究1随着人工智能技术的不断发展，语音识别技术已经成为了人机交互的一个重要领域。
语音识别技术对于改善人们的生活和工作具有重要的作用。
传统的语音识别技术主要是基于模板匹配和高斯混合模型的方法。
但是这些方法具有很多的局限性，如处理长文本准确度低、噪声干扰较敏感、实时性不高等问题。
近年来，深度神经网络（Deep Neural Networks，DNN）作为一种新的模型结构被引入到了语音识别中。
基于深度神经网络的语音识别技术，常常被称为“端到端的语音识别”，相比传统技术，它具有许多优势。
首先，DNN 可以自适应学习特征来表示语音信号。
其次，DNN具有实时性，可以很好地处理长语音文本。
最后，DNN具有良好的噪声屏蔽能力，能够在较差的语音环境中准确识别语音。
基于深度神经网络的语音识别模型在近年来的研究中取得了很大的进展。
首先，目前的模型采用了长短期记忆网络（LSTM）、卷积神经网络（CNN）和残差神经网络（ResNet）等结构，在语音识别性能上得到了不错的提升。
此外，针对深度神经网络模型存在的参数多、训练时间长、内存消耗大等问题，学者们提出了很多优化方法，比如剪枝、量化、跳跃连接等。
深度神经网络语音识别的实现过程可大致分为如下几个步骤：首先将语音信号转化为语音特征向量，然后将其送入深度神经网络中进行训练，完成后使用深度神经网络进行验证和应用。
语音识别中最重要的一步就是特征提取，而时频展示法（Spectrogram）是最常用的特征表述法。
Spectrogram 将语音信号在时域方向上进行分割，并将每份信号转换为对应的频谱图。
许多学者通过对 Spectrogram 进行分析和优化，不断提高其性能。
深度神经网络语音识别的训练过程可分为监督学习和无监督学习。
监督学习使用有标注的语音样本作为训练数据，利用这些数据来训练深度神经网络，使其能够自动识别未标注的样本。
深度学习技术基础知识文档第一章：深度学习概述1.1 什么是深度学习•深度学习是一种基于人工神经网络的机器学习方法，通过使用多层神经网络来实现复杂的数据处理和分析。
它可以学习数据的高级抽象特征和模式，实现对数据的精确识别和预测。
1.2 深度学习的核心原理•深度学习的核心原理包括：反向传播算法、激活函数、优化算法等。
这些原理使得深度学习网络可以学习数据的高级抽象特征和模式。
第二章：主要方法介绍2.1 卷积神经网络（CNN）•CNN是一种基于卷积和池化操作的神经网络，主要用于图像识别和分类。
它可以学习图像的局部特征和全局特征，实现对图像的精确识别和分类。
2.2 循环神经网络（RNN）•RNN是一种基于递归和循环连接的神经网络，主要用于序列数据的处理和分析。
它可以学习序列数据的时序特征和依赖关系，实现对序列数据的精确识别和预测。
2.3 长短时记忆网络（LSTM）•LSTM是一种基于门控循环单元的神经网络，主要用于序列数据的处理和分析。
它可以学习序列数据的长期依赖关系和时序特征，实现对序列数据的精确识别和预测。
第三章：应用领域3.1 自然语言处理（NLP）•NLP是人工智能的一个分支，主要研究如何使计算机理解和处理人类语言。
深度学习在NLP中的应用包括：文本分类、情感分析、机器翻译等。
3.2 计算机视觉（CV）•CV是人工智能的一个分支，主要研究如何使计算机理解和处理图像和视频。
深度学习在CV中的应用包括：图像识别、目标检测、图像生成等。
第四章：伦理考量4.1 数据隐私保护•数据隐私保护是深度学习应用中的一个重要伦理问题。
我们需要确保数据的隐私和安全，避免数据的滥用和泄露。
4.2 AI偏见和公平性•AI偏见和公平性是深度学习应用中的一个重要伦理问题。
我们需要确保AI系统的公平性和无偏见，避免AI系统的歧视和偏见。
第五章：结论•深度学习是一种强大的机器学习方法，可以实现对数据的精确识别和预测。
通过了解深度学习的核心原理和主要方法，我们可以更好地应用深度学习技术来解决实际问题。
基于深度神经网络的入侵检测系统一、基于深度神经网络的入侵检测系统概述随着信息技术的快速发展，网络安全问题日益受到重视。
入侵检测系统（Intrusion Detection System, IDS）作为网络安全的重要组成部分，其主要任务是监测网络流量，识别并响应可能的恶意行为。
传统的入侵检测方法，如基于签名的检测和异常检测，虽然在某些情况下有效，但面对日益复杂的网络攻击手段，其局限性也日益凸显。
基于深度神经网络的入侵检测系统以其强大的特征学习能力和泛化能力，为提高检测准确性和应对新型攻击提供了新的解决方案。
1.1 深度学习在入侵检测中的应用深度学习是机器学习的一个分支，通过构建多层的神经网络模型，能够自动提取数据的高层次特征。
在入侵检测系统中，深度学习可以应用于流量分析、行为分析和异常模式识别等多个方面。
与传统方法相比，深度学习模型能够更好地捕捉到数据的内在复杂性，从而提高检测的准确性和效率。
1.2 深度神经网络的结构和原理深度神经网络由多层神经元组成，每层神经元通过权重连接到下一层，形成复杂的网络结构。
网络的输入层接收原始数据，中间层进行特征提取和转换，输出层则根据学习到的特征进行分类或回归。
通过反向传播算法和梯度下降方法，网络可以不断调整权重，优化模型性能。
二、基于深度神经网络的入侵检测系统设计设计一个有效的基于深度神经网络的入侵检测系统，需要考虑数据预处理、网络模型选择、训练与验证等多个环节。
2.1 数据预处理数据预处理是构建深度学习模型的第一步，包括数据清洗、特征选择和数据标准化等。
在入侵检测系统中，原始网络流量数据可能包含大量的噪声和无关信息，需要通过预处理步骤来提高数据质量。
此外，为了提高模型的泛化能力，还需要对数据进行归一化处理，使其分布更加均匀。
2.2 网络模型选择选择合适的深度神经网络模型对于入侵检测系统的性能至关重要。
常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）。
深度神经网络全面概述 从基本概念到实际模型和硬件基础 深度神经网络(DNN)所代表的人工智能技术被认为是这一次技术变革的基石(之一)。近日，由 IEEE Fellow Joel Emer 领导的一个团队发布了一篇题为《深度神经网络的有效处理：教程和调研(Efficient Processing of Deep Neural Networks: A Tutorial and Survey)》的综述论文，从算法、模型、硬件和架构等多个角度对深度神经网络进行了较为全面的梳理
和总结。鉴于该论文的篇幅较长，机器之心在此文中提炼了原论文的主干和部分重要内容。
目前，包括计算机视觉、语音识别和机器人在内的诸多人工智能应用已广泛使用了深度神经网络(deep neural networks，DNN)。DNN 在很多人工智能任务之中表现出了当前最佳的准确度，但同时也存在着计算复杂度高的问题。因此，那
些能帮助 DNN 高效处理并提升效率和吞吐量，同时又无损于表现准确度或不会增加硬件成本的技术是在人工智能系统之中广泛部署 DNN 的关键。
论文地址：https://arxiv.org/pdf/1703.09039.pdf
本文旨在提供一个关于实现 DNN 的有效处理(efficient processing)的目标的最新进展的全面性教程和调查。特别地，本文还给出了一个 DNN 综述——讨论了支持 DNN 的多种平台和架构，并强调了最新的有效处理的技术的关键趋势，这些技术或者只是通过改善硬件设计或者同时改善硬件设计和网络算法以降低 DNN 计算成本。本文也会对帮助研究者和从业者快速上手 DNN 设计的开发资源做一个总结，并凸显重要的基准指标和设计考量以评估数量快速增长的 DNN 硬件设计，还包括学界和产业界共同推荐的算法联合设计。
读者将从本文中了解到以下概念：理解 DNN 的关键设计考量;通过基准和对比指标评估不同的 DNN 硬件实现;理解不同架构和平台之间的权衡;评估不同 DNN 有效处理技术的设计有效性;理解最新的实现趋势和机遇。
一、导语 深度神经网络(DNN)目前是许多人工智能应用的基础 [1]。由于 DNN 在语音识别 [2] 和图像识别 [3] 上的突破性应用，使用 DNN 的应用量有了爆炸性的增长。这些 DNN 被部署到了从自动驾驶汽车 [4]、癌症检测 [5] 到复杂游戏 [6] 等各种应用中。在这许多领域中，DNN 能够超越人类的准确率。而 DNN 的出众表现源于它能使用统计学习方法从原始感官数据中提取高层特征，在大量的数据中获得输入空间的有效表征。这与之前使用手动提取特征或专家设计规则的方法不同。
然而 DNN 获得出众准确率的代价是高计算复杂性成本。虽然通用计算引擎(尤其是 GPU)，已经成为许多 DNN 处理的砥柱，但提供对 DNN 计算更专门化的加速方法也越来越热门。本文的目标是提供对 DNN、理解 DNN 行为的各种工具、有效加速计算的各项技术的概述。
该论文的结构如下： • Section II 给出了 DNN 为什么很重要的背景、历史和应用。
• Section III 给出了 DNN 基础组件的概述，还有目前流行使用的 DNN 模型。
• Section IV 描述了 DNN 研发所能用到的各种资源。
• Section V 描述了处理 DNN 用到的各种硬件平台，以及在不影响准确率的情况下改进吞吐量(thoughtput)和能
量的各种优化方法(即产生 bit-wise identical 结果)。 • Section VI 讨论了混合信号回路和新的存储技术如何被用于近数据处理(near-data processing)，从而解决 DNN
中数据流通时面临的吞吐量和能量消耗难题。 • Section VII 描述了各种用来改进 DNN 吞吐量和能耗的联合算法和硬件优化，同时最小化对准确率的影响。
• Section VIII 描述了对比 DNN 设计时应该考虑的关键标准。
二、深度神经网络(DNN)的背景 在这一部分，我们将描述深度神经网络(DNN)在人工智能这个大框架下的位置，以及一些促进其发展的的概念。我们还将对其主要的发展历程和现阶段主要的应用领域做一个简单的介绍。
1. 人工智能和深度神经网络 根据 John McCarthy 的论述，深度神经网络(也称为深度学习)是人工智能(AI)大框架下的一部分。而人工智能(AI)是利用科学与工程学创造具有如同人类那样能实现目标的智能机器。人工智能这个词就是这位计算机科学家在上个世纪 50 年代所创造出的。深度学习和整个人工智能的关系就如下图所示。
图 1：深度学习在人工智能大框架下的位置 2. 神经网络和深度神经网络(DNN) 神经网络从神经元涉及对输入值求加权和进行计算这一概念而获得灵感。这些加权和对应于突触完成值的缩放以及其和神经元值间的组合。此外，因为计算与神经元级联相关联，并且其为简单线性代数的运算，所以神经元不会仅仅输出加权和。相反，在神经元中有函数执行组合输入的运算，而这种函数应该是非线性运算。在非线性运算的过程中，神经元只有在输入超过一定阀值时才生成输出。因此通过类比，神经网络将非线性函数运用到输入值的加权和中。我们等一下会描述一些非线性函数。
图 2：简单的神经网络例子。(a) 神经元和突触，(b) 为每一层计算加权和，(c) 前向和反向(循环)网络，(d) 全连接与稀疏
(a)中展示了计算神经网络的示意图。图的前端是输入层，该层会接受输入数据值。这些数据值前向传播到神经网络中间层的神经元中，中间层也常称为神经网络的隐藏层。一个或多个隐藏层的加权和最终前向传播到输出层，该输出层会最终向用户呈现神经网络的输出结果。为了将脑启发的术语和神经网络相匹配，神经元的输出通常称为激活(activation)，并且突触如(a)所示通常称为权重(weight)。
在上方表达式中，W_ij 代表着权重、x_i 为输入激活、y_i 是输出激活，而 f(·) 就代表着在 III-2 中描述的非线性激活函数。 在神经网络的领域内，有一门称为深度学习的研究。普通神经网络基本上层级不会很多，而在深度学习里，神经网络的层级数量十分巨大，现如今基本上神经网络可以达到 5 到 1000 多层。
3. 推理 vs 训练 这一节中，如图 4 所示，我们将把图像分类用作训练 DNN 的一个强劲的实例。评估 DNN 时，我们输入一个图像，DNN 为每一个对象分类输出分值向量;分值最高的分类将成为图像中最有可能的对象分类。训练 DNN 的总体目标是
决定如何设置权重以最大化正确分类(来自标注的训练数据)的分值并最小化其他不正确分类的分值。理想的正确分值与 DNN 基于其当前权重计算的分值之间的差被称为损失值(L)。因此训练 DNN 的目标是找到一组权重以最小化大型数
据集中的平均损失值。
图 4：图像分类任务 4. 开发历史 • 1940 年代 - 神经网络被提出
• 1960 年代 - 深度神经网络被提出
• 1989 年 - 识别数字的神经网(LeNet)出现
• 1990 年代 - 浅层神经网硬件出现(Intel ETANN)
• 2011 年 - DNN 语音识别取得突破性进展(Microsoft)
• 2012 年 - 用于视觉的 DNN 开始替代人工放大(AlexNet)
• 2014 年+ - DNN 加速器研究兴起(Neuflow、DianNao 等等)
图 5 的表柱是这些年来 ImageNet 竞赛中每届冠军的表现。你可以看到最初算法精确度的错误率在 25% 或更多。2012 年，多伦多大学的 AlexNet 团队通过 GPU 来提升其计算能力并采用深度神经网络方法，把错误率降低了近 10% [3]。他们的成功带来了深度学习风格的算法的井喷，以及图像识别技术的持续进步。 图 5：ImageNet 竞赛 [10] 结果 5. DNN 的应用 从多媒体到医疗，DNN 对很多应用大有裨益。在这一节中，我们将展示 DNN 正在发挥影响的领域，并凸显 DNN 有望在未来发挥作用的新兴领域。
• 图像和视频
• 语音和语言
• 医疗
• 游戏
• 机器人
6. 嵌入 vs 云 执行 DNN 推断处理的嵌入平台有着严格的能耗、计算和存储成本限制。当 DNN 推断在云中执行时，语音识别等应用经常有强烈的延迟需求。因此，在本文中，我们将聚焦于推断处理而不是训练的计算需求。
三、深度神经网络概述 根据应用情况不同，深度神经网络的形态和大小也各异。流行的形态和大小正快速演化以提升模型准确性和效率。所有深度神经网络的输入是一套表征网络将加以分析处理的信息的值。这些值可以是一张图片的像素，或者一段音频的样本振幅或者某系统或者游戏状态的数字化表示。
处理输入的网络有两种主要形式：前馈以及循环(图 2c)。前馈网络中，所有计算都是在前一层输出基础上进行的一系列运作。最终一组运行就是网络的输出，比如，这张图片包括某个特定物体的概率是多少，某段音频出现某个单词的概率是多少，或者下一步行动的建议等。在这类深度神经网络中，网络并无记忆，输出也总是与之前网络输入顺序无关。
相反，循环网络(LSTM 是一个很受欢迎的变种)是有内在记忆的，允许长期依存关系影响输出。在这些网络中，一些中间运行生成的值会被存储于网络中，也被用作与处理后一输入有关的其他运算的输入。在这篇文章中，我们关注的是前馈网络，因为到目前为止，少有人关注硬件加速，特别是循环网络的。
