常见神经网络

常见神经网络

卷积神经网络（CNN)

卷积层：相当于滤镜，将图片进行分块，对每一块进行特征处理，从而提取特征。

池化层：对提取的高维特征进行降维。

全连接层：将空间排列的特征化为一维的向量。

场景：人脸识别、图片识别

全连接神经网络（FNN)

特点：每一层都是全连接层，每一层的每个神经元与上一层所有神经元都有连接。

作用：1、多个全连接层可以从不同角度提取特征。

2、全连接层作为输出层有分类和数值预测的功能

缺点：权重多，计算量大。

场景：所有的神经网络均可以利用

循环神经网络（RNN）

特点：1、中间层的输出作为输入和下一个样本数据一起作为输入，也叫循环层。

2、具有记忆样本之间相关联系的能力。

场景：文本填充、时间序列、语音识别等序列数据

总结：每一种神经网络都各有优点，要根据不同的场景选取适当的神经网络，也可以同时用三种神经网络搭建更复杂的网络。