これはニューラルネットワークANN又はニューラルネットワークの特徴、情報の分散並列処理のアルゴリズムの数学的モデルを動物の行動を模倣していると呼ばれる接続モデルを指します。そのようなネットワークは、情報を処理する目的を達成するように、相互接続されたノードの内部に多数の関係を調整することにより、システムの複雑さに依存しています。ニューラルネットワークアルゴリズムは、符号関数とその様々な近似を用いてベクトル乗算で使用します。計算方法とニューラルネットワークの伝統的な方法との違いがどこにあるパラレル、フォールトトレランス、および自己学習は、ハードウェア機能、ニューラルネットワークのいくつかの基本的な利点で実現することができます。
人工ニューラルネットワークの深さの概念から学ぶ、複数の隠れ層を含む多層パーセプトロンは、深い学習アーキテクチャです。属性カテゴリは、特性データの分散表現を見つけるために、深い学習やハイレベルの低レベルの特徴の組み合わせにより形成された、より抽象的な特徴を示しています。層によって提案されたネットワークベースの教師なし学習アルゴリズム貪欲層を確信し、深層構造の最適化問題を解決するために希望をもたらす、その後、多層自動エンコーダ深い構造を前方に置きます。
伝統的な意味のみ入力層、中間層と出力層、必要に応じて中間層が可能な層数の多層ニューラルネットワークは、行うには多くの層の適切な手順多層ニューラルネットワークがどのように最終的に説明するための明確な理論的な分析はありません。値特性にマッピングされ、人工的な選択することを特徴とします。
ネットワーク構造は、広く、多層ニューラルネットワークの深さの調査を述べました。ニューラルネットワーク学習畳み込み深さの最も有名な Lecun 他によって提案は、トレーニングパフォーマンスを改善するために、空間的パラメータの数の相対的な減少を使用する最初の真の多層構造学習アルゴリズムです。元の多層ニューラルネットワークに基づいて、信号処理に傾斜人間の脳の後にモデル化されている学習部の特性を加えます。フロント層における具体的な動作は、次元削減層と層接続部を追加し、元の完全な畳み込みに接続され、レベルに追加された：入力層 -層畳み込み-次元削減層-層畳み込み-次元削減層- ....-中間層- 出力層。ステップの深さを行うことを学ぶことです：信号 - > 特性- > 値、ネットワーク自体によって選択することを特徴とします。