神经网络是一个总称，它包含了许多不同结构的神经网络，每种结构适合不同的任务，比如图像分类、时间序列预测、文本生成、推荐系统等等。
下面是常见的 神经网络结构类型，并配有中文解释、典型应用和优缺点：
🧠 1. 多层感知机（MLP）
Multilayer Perceptron
- 结构特点：多层全连接（Linear）层 + 激活函数（如 ReLU）
- 数据类型：表格数据、图像（简单任务）、手写数字等
- 优点：结构简单、泛用性强
- 缺点：无法处理局部特征和时间信息
🧠 2. 卷积神经网络（CNN）
Convolutional Neural Network
- 结构特点：包含卷积层、池化层，专门提取图像局部特征
- 数据类型：图像、视频、医学图像等
- 优点：参数少、擅长识别图像中的空间结构
- 缺点：对时间序列、文本等非图像任务不适用
📌 常见模型：LeNet, AlexNet, VGG, ResNet
🧠 3. 循环神经网络（RNN）
Recurrent Neural Network
- 结构特点：节点间有“循环连接”，前一时刻的输出影响当前输入
- 数据类型：时间序列、自然语言、语音等
- 优点：能处理有时间依赖的数据（如一句话）
- 缺点：难以捕捉长期依赖，训练困难
📌 常见变种：LSTM、GRU（改进了原始 RNN 的长期记忆能力）
🧠 4. Transformer 网络
- 结构特点：基于“注意力机制”，抛弃了 RNN 的时间顺序依赖
- 数据类型：文本、音频、图像生成、代码生成等
- 优点：并行处理能力强，能建模长期依赖
- 缺点：计算资源要求高，结构复杂
📌 典型模型：GPT、BERT、T5、ChatGPT、Baidu 文心、字节豆包
🧠 5. 自编码器（AutoEncoder）
- 结构特点：编码器将数据压缩成低维表示，解码器还原数据
- 用途：数据压缩、降维、特征提取、异常检测
- 优点：能学习无监督的特征表示
- 缺点：生成效果不如 GAN，可能学不到语义
📌 变体：变分自编码器（VAE）
🧠 6. 生成对抗网络（GAN）
Generative Adversarial Network
- 结构特点：由一个生成器和一个判别器组成，互相对抗训练
- 数据类型：图像生成、人脸生成、艺术风格转换等
- 优点：生成质量高，效果逼真
- 缺点：训练不稳定，容易模式崩溃（mode collapse）
🧠 7. 图神经网络（GNN）
Graph Neural Network
- 结构特点：处理图结构数据（如社交网络、知识图谱）
- 数据类型：节点、边、图（Graph）
- 优点：能建模复杂关系（如用户-商品之间的连接）
- 缺点：训练复杂、对大规模图不友好
📌 应用：推荐系统、分子结构分析、知识图谱推理等
🧠 8. 注意力机制（Attention Mechanism）
- 本身不是独立网络结构，但常作为模块嵌入其他网络（尤其 Transformer）
- 功能：让模型关注输入中最相关的部分
- 优点：提高性能、解释性强
- 应用：翻译、摘要、问答、代码理解等
🧠 9. 残差网络（ResNet）
- 结构特点：使用“跳跃连接”（skip connection）来解决深层网络的梯度消失问题
- 优点：允许训练非常深的神经网络（如 50 层、101 层）
- 缺点：结构更复杂，对初学者有一定门槛
✅ 汇总表格：
| 网络结构 | 简称 | 擅长处理的数据 | 典型应用 | 是否属于深度学习 |
|---|---|---|---|---|
| 多层感知机 | MLP | 表格、图像（简单） | 分类、回归 | ✅ 是 |
| 卷积网络 | CNN | 图像、视频 | 图像识别、医学诊断 | ✅ 是 |
| 循环网络 | RNN | 时间序列、文本 | 语音识别、翻译 | ✅ 是 |
| Transformer | - | 文本、语音、代码 | ChatGPT、翻译、摘要 | ✅ 是 |
| 自编码器 | AE | 任意数据 | 压缩、特征提取 | ✅ 是 |
| GAN | GAN | 图像、音频等生成任务 | 捏脸、图像生成 | ✅ 是 |
| 图神经网络 | GNN | 图（节点+边） | 推荐系统、社交分析 | ✅ 是 |
| ResNet | - | 图像、视频 | 深层分类模型 | ✅ 是 |