记忆增强神经网络（Memory-Augmented Neural Networks，简称MANNs）是一类结合了神经网络和外部记忆存储器的深度学习模型。相比于仅依靠神经网络内部参数进行计算的传统神经网络，MANNs能够在外部存储器中存储和读取数据，并可由此实现更加复杂的计算和推理任务，具有更好的记忆能力和泛化能力。
MANNs的核心思想是将外部存储器与神经网络结合起来，实现对于数据的存储、访问和更新。常见的存储器包括矩阵、向量、图和树等数据结构，可以根据具体任务的需要选择不同类型的存储器。在MANNs中，存储器通常被视为一个可读写的寄存器集合，每个寄存器都有一个唯一的地址和一个存储值。神经网络可以通过读写操作来访问存储器，将存储器中的值作为输入进行计算，并将计算结果写回到存储器中。
MANNs的典型结构包括两个主要部分：控制器和存储器。控制器负责决定存储器的读写操作，以及将读取的信息与神经网络的计算结果进行融合。控制器通常由循环神经网络或卷积神经网络等结构组成。存储器则负责实际存储和读取数据，通常由基于键值对的记忆单元（Memory Cell）组成，每个记忆单元包括一个键、一个值和一个标记位，用于表示该单元是否被写入过。
MANNs的训练过程通常采用端到端学习的方式，即将控制器和存储器作为一个整体进行训练。在训练过程中，控制器通过不断地读写存储器，学习将存储器中的信息与神经网络的计算结果进行融合的方法，以最大化模型的性能指标。常见的性能指标包括准确率、损失函数和任务特定的度量指标等。
MANNs被广泛应用于各种领域，例如自然语言处理、计算机视觉、强化学习等。其中，最为著名的是DNC（Differentiable Neural Computer）模型，由DeepMind提出，是目前应用最广的MANNs之一。DNC模型采用了基于地址的寻址机制和注意力机制，具有较好的泛化能力和记忆能力，已被广泛应用于自然语言生成、图像分类、序列预测等任务中。
总之，记忆增强神经网络是一类结合了神经网络和外部存储器的深度学习模型，具有更好的记忆能力和泛化能力，被广泛应用于各种领域。
