其计算方式是在数据流图( Data Flow Graphs )的概念下构想的。 CNN使用RELU作为激活函数(激发函数)，传统的神经网络使用sigmoid函数作为激活函数。 跳过了CNN Full Batch在GPU上的实验。 因为内存需求太高了。 本章介绍了卷积神经网络[ CNN [ 7，6，8 ]，它是一种重要而强大的学习体系结构，广泛用于计算机视觉APP应用中。

如图4所示，该网络是官方网站上评价报告的框架之一，因此可以很容易地对所得结果进行比较。 由于这个主题已经被广泛研究并且持续快速发展，所以我们把这个文档和GitHub库配对了。 此库中的文档将动态更新，并且今后可能会扩大规模。 与支持机器翻译的Transformer网络一样，QANet根本不使用RNN，因此训练/测试速度更快。

这是一个非常简单的方法，但希望能有助于理解基于神经网络的答疑！ 卷积神经网络目前表示了用于图像分类任务的前沿算法，构成了深度学习中的主要体系结构。 最容易理解的是nnstart函数，它可以激活简单的GUI，并通过简单的双层体系结构引导用户。 这篇论文是关于人工神经网络( ANN，1，2 ) )，这是目前最热门的主题，因为在许多人工智能任务中已经达到了目前的最佳水平。

这些因素都引起了传统神经网络的不适应性，因此没有得到比较广泛的运用。 编程语言是直观的，同时还提供了完整的软件包——，使用户可以定义和训练几乎所有类型的人工神经网络体系结构，而无需编写特定的代码。 但人工神经网络仍然存在许多问题，其中最主要的是BP求解引起的梯度消失和梯度爆炸问题，卷积神经网络可以解决这些问题。

如果已经安装了CUDA，则会自动添加cutorch和cunn软件包，其中包含处理Nvidia GPU所需的所有工具。 还跳过了使用GPU的Matlab在ANN上的SGD。 因为训练函数不支持GPU计算。 第四行和第十行。 然后，将它们通过1层1维卷积神经网络、最大池化、连接词文字表示，最后通过2层高速网络。

在不同的网络框架、批量大小(随机梯度下降( SGD )、1000个样品批和完全批)、HW列中介绍)下测试了标准的梯度下降过程。 有关更完整的统计比较，请参阅http://hammer principle.com/the right tool。 这里总结了为了加快各个任务和全局任务开发。