网络拓扑构造（带你懂得神经网络的“拓扑构造”）
深度学习模型是层构成的有向无环图。最常见的例子就是层的线性堆叠，将单一输入映射为单一输出。
神经网络的拓扑构造包含网络层数、各层神经元数目以及各神经元之间相互衔接的百思特网方法。一些常见的网络拓扑构造有：
双分支（two-branch）网络
多头（multihead）网络
Inception模块
网络的拓扑构造定义了一个假设空间（hypothesis space）。在预先定义好的可能性空间中，应用反馈信号的指引来寻找输入数据的有用表现。选定了网络拓扑构造，意味着将可能性空间（假设空间）限定为一系列特定的张量运算，将输入数据映射为输出数据。然后，我们为这些张量运算的权重张量找到一组适合的值。
人工神经网络的模型从其拓扑构造角度去看，可分为层次型和互连型。层次型模型是将神经网络分为输入层（Input Layer）、隐层（Hidden Layer）和输出层（Output Layer），各层次序衔接。其中，输入层百思特网神经元负责吸收来自外界的输入信息，并将其传递给隐层神经元。隐层负责神经网络内部的信息处置、信息变换。通常会依据变换的须要，将隐层设计为一层或多层。
网络模型示意图
选择准确百思特网的网络架构更像是一门艺术而不是科学。虽然有一些最佳实践和原则，但只有动手实践能力让你称为及格的神经网络架构师。在学习进程中，我们须要深刻懂得构建神经网络的详细原则，从直觉上对它们进行感知，明确对于特定问题哪些架构有用，而哪些架构无用。