原文： https://machinelearningmastery.com/when-to-use-mlp-cnn-and-rnn-neural-networks/
什么神经网络适合您的预测建模问题？
对于初学者来说，深度学习领域很难知道要使用什么类型的网络。有许多类型的网络可供选择，每天都会发布和讨论新的方法。
更糟糕的是，大多数神经网络足够灵活，即使在使用错误类型的数据或预测问题时也可以工作（进行预测）。
在这篇文章中，您将发现三种主要类型的人工神经网络的建议用法。
阅读这篇文章后，你会知道：
- 在处理预测建模问题时要关注哪种类型的神经网络。
- 何时使用，不使用，并可能尝试在项目中使用 MLP，CNN 和 RNN。
- 在选择模型之前，要考虑使用混合模型并清楚了解项目目标。
让我们开始吧。
何时使用 MLP，CNN 和 RNN 神经网络 照片由 PRODAVID S. FERRY III，DDS ，保留一些权利。
这篇文章分为五个部分;他们是：
- 什么神经网络要关注？
- 何时使用多层感知器？
- 何时使用卷积神经网络？
- 何时使用递归神经网络？
- 混合网络模型
深度学习是使用现代硬件的人工神经网络的应用。
它允许开发，训练和使用比以前认为可能更大（更多层）的神经网络。
研究人员提出了数千种类型的特定神经网络，作为对现有模型的修改或调整。有时是全新的方法。
作为一名从业者，我建议您等到模型出现后普遍适用。很难从每天或每周发布的大量出版物的噪音中梳理出一般效果良好的信号。
有三类人工神经网络我建议您一般关注。他们是：
- 多层感知器（MLP）
- 卷积神经网络（CNN）
- 递归神经网络（RNN）
这三类网络提供了很大的灵活性，并且经过数十年的证明，它们在各种各样的问题中都是有用和可靠的。他们还有许多子类型来帮助他们专注于预测问题和不同数据集的不同框架的怪癖。
现在我们知道要关注哪些网络，让我们看看何时可以使用每一类神经网络。
多层感知器（简称 MLP）是经典类型的神经网络。
它们由一层或多层神经元组成。数据被馈送到输入层，可能存在提供抽象级别的一个或多个隐藏层，并且在输出层（也称为可见层）上进行预测。
有关 MLP 的更多详细信息，请参阅帖子：
简单网络的模型
MLP 适用于分类预测问题，其中输入被分配类或标签。
它们也适用于回归预测问题，其中在给定一组输入的情况下预测实值数量。数据通常以表格格式提供，例如您可以在 CSV 文件或电子表格中看到。
使用 MLP：
- 表格数据集
- 分类预测问题
- 回归预测问题
它们非常灵活，通常可用于学习从输入到输出的映射。
这种灵活性允许它们应用于其他类型的数据。例如，图像的像素可以减少到一行长数据并馈送到 MLP 中。文档的单词也可以缩减为一行长数据并馈送到 MLP。甚至对时间序列预测问题的滞后观察也可以减少为长行数据并馈送到 MLP。
因此，如果您的数据采用的不是表格数据集，例如图像，文档或时间序列，我建议至少测试一个 MLP 来解决您的问题。结果可用作比较的基线点，以确认可能看起来更适合的其他模型增加价值。
试用 MLP：
- 图像数据
- 文本数据
- 时间序列数据
- 其他类型的数据
卷积神经网络（CNN）被设计用于将图像数据映射到输出变量。
事实证明它们非常有效，它们是涉及图像数据作为输入的任何类型的预测问题的首选方法。
有关 CNN 的更多详细信息，请参阅帖子：
使用 CNN 的好处是它们能够开发二维图像的内部表示。这允许模型在数据中的变体结构中学习位置和比例，这在处理图像时很重要。
使用 CNN：
- 图像数据
- 分类预测问题
- 回归预测问题
更一般地，CNN 与具有空间关系的数据一起工作良好。
CNN 输入传统上是二维的，场或矩阵，但也可以改变为一维，允许它开发一维序列的内部表示。
这允许 CNN 更普遍地用于具有空间关系的其他类型的数据。例如，文本文档中的单词之间存在顺序关系。在时间序列的时间步长中存在有序关系。
虽然不是专门为非图像数据开发的，但 CNN 在诸如情绪分析中使用的文档分类和相关问题等问题上实现了最先进的结果。
尝试打开 CNN：
- 文字数据
- 时间序列数据
- 序列输入数据
回归神经网络（RNN）被设计用于处理序列预测问题。
序列预测问题有多种形式，最好用支持的输入和输出类型来描述。
序列预测问题的一些例子包括：
- 一对多：作为输入的观察映射到具有多个步骤作为输出的序列。
- 多对一：作为输入映射到类或数量预测的多个步骤的序列。
- 多对多：作为输入的多个步骤的序列映射到具有多个步骤作为输出的序列。
多对多问题通常被称为序列到序列，或简称为 seq2seq。
有关序列预测问题类型的更多详细信息，请参阅帖子：
传统的神经网络传统上难以训练。
长短期内存或 LSTM 网络可能是最成功的 RNN，因为它克服了训练经常性网络的问题，并且反过来已经用于广泛的应用。
有关 RNN 的更多详细信息，请参阅帖子：
一般而言，RNNs 和 LSTM 在处理单词和段落序列时最为成功，通常称为自然语言处理。
这包括以时间序列表示的文本序列和口语序列。它们还用作生成模型，需要序列输出，不仅需要文本，还需要生成手写等应用程序。
使用 RNN：
- 文字数据
- 语音数据
- 分类预测问题
- 回归预测问题
- 生成模型
正如您在 CSV 文件或电子表格中看到的那样，递归神经网络不适用于表格数据集。它们也不适合图像数据输入。
请勿使用 RNN：
- 表格数据
- 图像数据
RNN 和 LSTM 已经在时间序列预测问题上进行了测试，但结果却很差，至少可以说。自回归方法，甚至线性方法通常表现得更好。 LSTM 通常优于应用于相同数据的简单 MLP。
有关此主题的更多信息，请参阅帖子：
然而，它仍然是一个活跃的领域。
也许尝试使用 RNN：
- 时间序列数据
CNN 或 RNN 模型很少单独使用。
这些类型的网络在更广泛的模型中用作层，其也具有一个或多个 MLP 层。从技术上讲，这些是混合类型的神经网络架构。
也许最有趣的工作来自将不同类型的网络混合在一起成为混合模型。
例如，考虑使用一堆层的模型，其中输入为 CNN，中间为 LSTM，输出为 MLP。像这样的模型可以读取一系列图像输入，例如视频，并生成预测。这被称为 CNN LSTM 架构。
网络类型也可以堆叠在特定的体系结构中以解锁新功能，例如可重复使用的图像识别模型，这些模型使用非常深的 CNN 和 MLP 网络，可以添加到新的 LSTM 模型并用于字幕照片。此外，编码器 - 解码器 LSTM 网络可用于具有不同长度的输入和输出序列。
重要的是要先清楚地了解您和您的利益相关者对项目的要求，然后寻找满足您特定项目需求的网络架构（或开发一个）。
有关帮助您考虑数据和预测问题的良好框架，请参阅帖子：
如果您希望深入了解，本节将提供有关该主题的更多资源。
在这篇文章中，您发现了三种主要人工神经网络的建议用法。
具体来说，你学到了：
- 在处理预测建模问题时要关注哪种类型的神经网络。
- 何时使用，不使用，并可能尝试在项目中使用 MLP，CNN 和 RNN。
- 在选择模型之前，要考虑使用混合模型并清楚了解项目目标。
你有任何问题吗？ 在下面的评论中提出您的问题，我会尽力回答。