不是（vanilla）前馈神经网络的神经网络等价物：

神经网络结构，例如循环神经网络 (RNN) 和卷积神经网络 (CNN)，以及其中的不同架构都是很好的例子。

RNN 中不同架构的示例包括：长短期记忆 (LSTM) 或门控循环单元 (GRU)。Colah 关于理解 LSTM的博文中对这两者都有很好的描述

除了神经网络，还有哪些可供选择的信息处理系统

有很多结构。从我的脑海中浮现：（受限）玻尔兹曼机、自动编码器、蒙特卡罗方法和径向基网络等等。

您可以查看在线免费的 Goodfellow 的深度学习书籍，并了解我在这里提到的所有结构的要点（大多数部分需要一些数学知识，但他也非常直观地写了它们）。

对于循环神经网络，我推荐 Colah 关于理解 LSTMs的博文

有没有神经网络的拓扑结构是可变的系统？

取决于您对神经网络拓扑的含义：

我认为在谈论神经网络时，拓扑的一般含义是神经元连接形成网络的方式，在运行和学习时结构会发生变化。如果这是你们男人，那么答案，简而言之，是的。实际上有多种方式。另一方面，如果你的意思是在数学意义上，这个答案将成为一本我不会觉得写得舒服的书。所以我假设你的意思是第一个。

我们经常对 vanilla NN 和其他结构进行“正则化”。其中一种正则化技术称为dropout，它会在训练时从网络中随机删除连接（以防止称为过度拟合的东西，我不会在这篇文章中介绍）。

另一种方式的另一个例子是循环神经网络。它们处理时间序列，并且能够处理不同长度的时间序列（因此，“可变结构”）。

是否存在使用复数的神经网络系统？

是的，有很多关于复数机器学习结构的论文。一个快速的谷歌应该会给你很多结果。例如：DeepMind 有一篇关于 Associative Long Short-Term Memory的论文探讨了在“联想记忆”中使用复杂值。

链接：

Goodfellow 的深度学习书籍：deeplearningbook.org

Colah 在 RNN 上的博文：colah.github.io

DeepMinds Associative LSTM 论文：arxiv:1602.03032

回答这个问题，还有许多其他的机器学习模型，但神经网络在一些困难的问题（图像分类、语音识别）上表现得特别好，这也是它们受到欢迎的原因之一。

两个特别简单的模型是决策树和感知器。这些都是相当简单的模型，但它们都具有可赎回的品质。决策树很有用，因为它提供了一个易于理解的模型，而感知器相当快并且适用于线性可分数据。另一个更先进的模型是支持向量机。

例如，有没有神经网络的拓扑结构是可变的系统？

是的，有许多这样的系统，其中神经网络的拓扑结构在整个训练过程中都是动态的。一整类标记为 TWEANN 的方法旨在演化网络的拓扑，其中一种算法是增强拓扑的 NeuroEvolution，NEAT（以及它的后代 rtNEAT，hyperNEAT，......）。

一个非常流行的选择是隐马尔可夫模型。