深度学习四大核心架构：神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）与Transformer全概述
🌰 知识点概述
🧠 核心区别对比表
| 特性 | NN（全连接网络） | CNN（卷积网络） | RNN（循环网络） | Transformer |
|---|---|---|---|---|
| 输入类型 | 固定长度的结构化数据（如表格） | 网格状数据（图像/音频） | 时序数据（文本/时间序列） | 长序列数据（文本/语音） |
| 核心结构 | 全连接层 | 卷积层 + 池化层 | 循环单元（LSTM/GRU） | 自注意力机制 + 位置编码 |
| 参数共享 | ❌ 无 | ✅ 卷积核共享（空间局部性） | ✅ 循环权重共享（时序共享） | ✅ 注意力权重动态分配 |
| 时序依赖处理 | ❌ 忽略时序关系 | ❌ 仅局部空间关系 | ✅ 顺序处理（短期记忆依赖） | ✅ 全局依赖（并行计算） |
| 典型应用 | 房价预测/简单分类 | 图像分类/目标检测 | 文本生成/股票预测 | 机器翻译/文本摘要（如BERT） |
| 训练效率 | 低效（参数爆炸） | 高效（参数共享） | 低效（顺序计算） | 高效（并行计算）但内存消耗大 |
| 长序列处理 | ❌ 不支持 | ❌ 不支持 | ❌ 梯度消失/遗忘早期信息 | ✅ 自注意力直接关联任意位置 |
| 关键创新 | 基础神经元模型 | 局部感知/权重共享 | 时间步状态传递 | 多头注意力 + 位置编码 |
⚡ 生活化案例理解
-
NN
→ 类比：盲人摸象，每个神经元独立感知全局特征
→ 局限：输入图像需展平为向量，丢失空间信息（如将28x28图片变成784维向量） -
CNN
→ 类比：人类视觉系统，先识别边缘→形状→物体
→ 实战：用3x3卷积核扫描猫的图片，提取耳朵、胡须等局部特征 -
RNN
→ 类比：阅读理解，需记住前文才能理解后文
→ 痛点：输入句子“The cat sat on the mat”，到第6个单词时可能已遗忘“cat” -
Transformer
→ 类比：团队协作，每个单词直接关注全局上下文
→ 优势：处理句子“I arrived at the bank after crossing the river”时，“bank”可同时关注“river”（消除歧义）
🔑 选型指南
| 场景 | 推荐模型 | 理由 |
|---|---|---|
| 表格数据分类/回归 | NN | 结构简单，无需复杂特征提取 |
| 图像识别/目标检测 | CNN | 高效捕捉空间局部特征 |
| 短文本生成/时间序列预测 | RNN（LSTM/GRU） | 处理简单时序依赖 |
| 长文本翻译/文档摘要 | Transformer | 捕捉长距离依赖，并行计算高效 |
| 多模态数据（如图文匹配） | Transformer+CNN | 联合处理文本和图像特征 |