概览
约 402 个字 预计阅读时间 1 分钟
常见领域¶
- NLP
- CV
- TTS
- ASR
常见的神经网络架构¶
| 神经网络架构 | 定义与特点 | 应用场景 |
|---|---|---|
| CNN（Convolutional Neural Network） | 适合处理图像数据，通过卷积层提取局部特征，池化层降采样，全连接层用于分类或回归 | 图像分类（如手写数字识别） |
| 物体检测（如 YOLO） | ||
| 图像分割（如 U-Net） | ||
| RNN（Recurrent Neural Network） | 适合处理序列数据，能记住历史信息，处理时间序列；梯度消失/爆炸问题需注意 | - 自然语言处理（如机器翻译、文本生成） |
| LSTM、GRU 作为改进版本，分别引入门机制，解决梯度问题 | - 时间序列预测（如股票预测） | |
| - 手写体识别 | ||
| Transformer | 基于注意力机制的架构，可并行处理序列中的各个位置 | - 自然语言处理（如 BERT、GPT） |
| - 图像处理（如 Vision Transformer） | ||
| GAN（生成对抗网络） | 由生成器和判别器对抗组成，用于生成逼真的数据 | - 图像生成（如高分辨率照片生成） |
| - 风格迁移（图像风格转换） | ||
| - 数据增强（生成合成数据） | ||
| Autoencoder（自编码器） | 无监督学习算法，用于数据降维和特征提取，包括编码器和解码器 | - 数据降维（高维数据可视化） |
| - 图像去噪（恢复清晰图像） | ||
| - 异常检测（检测异常样本） | ||
| MLP（多层感知机） | 最基本的前馈神经网络，由**多个全连接层**组成，适合处理结构化数据 | - 分类和回归任务 |
| - 数据特征学习（深度学习基础结构） |