DNN模型介绍
前言：最近在给小朋友做一个项目，通过图片识别动物；发现训练后显示最佳模型是DNN模型，因此在此记录一下搜索内容：
DNN，全称Deep Neural Networks，即深度神经网络，是一种深度学习模型。以下是对DNN的详细解释：
- 基本概念：
- DNN是由多层神经元组成的网络结构，其中每层与相邻层之间都有连接。
- 它是基于多层感知机（Multilayer Perceptron, MLP）的复杂模型，其核心思想是在输入层和输出层之间堆叠多个隐藏层，每一层执行非线性变换，逐层递进地对输入数据进行特征提取和抽象表达。
- 发展历程：
- 神经网络技术起源于上世纪五、六十年代，当时称为感知机（perception），具有输入层、输出层和一个隐含层。
- 随着研究的深入和计算能力的提升，特别是进入21世纪后，随着大数据集的出现和计算能力的显著提升，深度学习开始崛起，DNN作为其中一种重要模型，得到了广泛的关注和应用。
- 特点：
- 优势：DNN对于非线性问题的处理具有优势，尤其在处理高维度特征、特征与训练目标间关系不清晰的情况下，其性能优于许多传统模型，如树模型和FM家族模型。
- 不足：DNN对类别特征的支持不好，随着类别特征的增多，可能会出现维度爆炸的情况。此外，DNN对系统算力要求较高。
- 应用领域：
- DNN广泛应用于各种领域，如图像识别、语音识别、自然语言处理、推荐系统等。在这些领域中，DNN能够有效地提取数据中的特征，并实现复杂的非线性映射，从而取得较好的性能。
综上所述，DNN是一种基于多层感知机的深度学习模型，具有强大的特征提取和抽象表达能力，广泛应用于各种领域。然而，它也存在一些不足，如对类别特征的支持不好和对系统算力要求较高。