MLP和CNN的不同

最本质区别是处理的数据类型不同。

MLP （Multilayer Perceptron）/ 全连接层

1. 全连接：在全连接的多层感知机中，每个神经元都与前一层的所有神经元相连，因此它对输入数据的特征提取是全局性的。
2. 参数多：每个连接都有一个单独的权重，参数较多，容易导致过拟合。
3. 无平移不变性：由于全连接的结构，MLP难以学习到平移不变性，对于图像等具有平移不变性的数据，需要大量数据来进行训练。
4. 通常适用于序列数据、结构化数据和较小规模的特征空间。

CNN / 卷积层（convolutional layer）

1. 局部连接：卷积神经网络通过卷积层和池化层实现了局部连接和权重共享，能够更有效地捕获输入数据中的局部特征，这使得它在处理图像、语音等具有空间结构的数据时表现更好。
2. 参数少：通过卷积操作实现参数共享，使得网络的参数量大大减少，提高了模型的泛化能力。
3. 平移不变性：卷积层通过卷积操作实现了平移不变性，使得模型更容易学习到平移不变的特征。
4. 主要用于处理图像、视频和其他具有空间结构的数据，能够更好地捕获空间特征和纹理信息。

（挖坑：循环层（recurrent layer）是深度学习中的一种神经网络层，用于处理序列数据或具有时间依赖性的数据，考虑了时间维度上的信息。）