Mạng chuyển tiếp
Mạng nơ-ron tiến lên cho phép các tín hiệu chỉ truyền theo một phương thức, từ đầu vào đến đầu ra. Không có phản hồi (vòng lặp) tức là đầu ra của bất kỳ lớp nào không ảnh hưởng đến cùng lớp đó. Các mạng chuyển tiếp có ảnh hưởng trở thành các mạng dễ dàng liên kết đầu vào với đầu ra. Chúng được sử dụng rộng rãi trong nhận dạng mẫu. Loại tổ chức này cũng được định nghĩa là từ dưới lên hoặc từ trên xuống.
Mạng nơ-ron tiến lên cho phép các tín hiệu chỉ truyền theo một phương thức, từ đầu vào đến đầu ra. Không có phản hồi (vòng lặp) tức là đầu ra của bất kỳ lớp nào không ảnh hưởng đến cùng lớp đó. Các mạng chuyển tiếp có ảnh hưởng trở thành các mạng dễ dàng liên kết đầu vào với đầu ra. Chúng được sử dụng rộng rãi trong nhận dạng mẫu. Loại tổ chức này cũng được định nghĩa là từ dưới lên hoặc từ trên xuống.
Các đầu ra có trọng số của các đơn vị này được cung cấp đồng thời cho lớp nơ-ron thứ hai giống như các đơn vị được gọi là lớp ẩn. Lớp ẩn là đầu ra có trọng số có thể được nhập vào một lớp ẩn khác, v.v. Số lượng lớp ẩn là tùy ý và thông thường, một lớp được sử dụng.
Các đầu ra có trọng số của lớp ẩn cuối cùng là đầu vào cho các đơn vị tạo nên lớp đầu ra, lớp này phát ra dự đoán của mạng đối với các mẫu đã cho. Các đơn vị trong các lớp ẩn và lớp đầu ra được định nghĩa là các neuron, vì cơ sở sinh học biểu tượng của chúng hoặc là các đơn vị đầu ra. Mạng chuyển tiếp nhiều lớp của các hàm ngưỡng tuyến tính được cung cấp thông qua các đơn vị ẩn có thể gần đúng với bất kỳ hàm nào.
Mạng phản hồi
Các mạng phản hồi có thể có các tín hiệu di chuyển trong cả hai khu vực bằng cách tìm hiểu các vòng lặp trên web. Mạng phản hồi rất năng động và có thể trở nên cực kỳ phức tạp. Mạng phản hồi rất năng động, trạng thái của chúng thay đổi liên tục cho đến khi chúng đạt đến điểm cân bằng.
Phần còn lại ở điểm cân bằng cho đến khi đầu vào thay đổi và một trạng thái cân bằng mới cần được tìm thấy. Kiến trúc phản hồi cũng được định nghĩa là tương tác hoặc lặp lại, mặc dù thuật ngữ này có thể chỉ ra các kết nối phản hồi trong các tổ chức từng lớp.
Khi một cơ sở dữ liệu lớn tham gia vào việc tăng độ chính xác của các thuật toán mạng nơron sâu, một mô hình sản xuất dữ liệu và học tập trí tuệ nhân tạo để nghiên cứu hành vi là điều cần thiết. Nói chung, dữ liệu lâm sàng được sử dụng khi thông tin bệnh của người dùng được bao gồm. Tại thời điểm này, nếu dữ liệu lâm sàng không chính xác, kết quả dự đoán sẽ không chính xác.
Khi một cơ sở dữ liệu lớn tham gia vào việc tăng độ chính xác của các thuật toán mạng nơron sâu, một mô hình sản xuất dữ liệu và học tập trí tuệ nhân tạo để nghiên cứu hành vi là điều cần thiết. Nói chung, dữ liệu lâm sàng được sử dụng khi thông tin bệnh của người dùng được bao gồm. Tại thời điểm này, nếu dữ liệu lâm sàng không chính xác, kết quả dự đoán sẽ không chính xác.
Hơn nữa, nếu thông tin về hành vi và hoạt động của người dùng, ngoài dữ liệu lâm sàng không được phản ánh, thì dữ liệu chuỗi thời gian theo tình trạng của người dùng thay đổi theo thời gian, phải được sử dụng làm giá trị đầu vào để dự đoán chính xác kết quả.
Mô hình phản hồi cho thuật toán mạng nơ-ron sâu bao gồm mô hình phản hồi ban đầu và mô hình phản hồi thứ cấp tái tạo lại kết quả.