DataWhale AI 夏令营 task03

1.卷积神经网络

        卷积神经网络（Convolutional Neural Networks, 简称CNN），作为一类集成了卷积运算的深度前馈神经网络（Feedforward Neural Networks），是深度学习领域中的一颗璀璨明珠，引领着现代机器学习算法的前沿。

        在卷积神经网络（Convolutional Neural Networks, CNN）的层次结构中，神经元被精妙地组织成三维阵列，涵盖了宽度、高度与深度三个维度。具体而言，对于输入层而言，其宽度与高度直接映射了输入图像的相应尺寸，而深度则巧妙地代表了图像的颜色通道数：例如，在RGB色彩模式下，图像由红（R）、绿（G）、蓝（B）三个通道构成，因此深度为3；相比之下，灰度图像仅含单一通道，其深度即为1。

        转向中间层，这里的宽度与高度转而表征了特征图（feature map）的空间维度，这些特征图的具体尺寸往往由卷积操作与池化处理的参数共同决定。至于深度维度，它则反映了特征图的通道数量，这一数值通常由所采用的卷积核（或滤波器）的数量直接确定。

        值得注意的是，全连接神经网络（Fully Connected Neural Networks）的核心运算在于矩阵乘法，而CNN则显著地以卷积运算为核心，辅以其各种变体，这些计算方式赋予了CNN在处理图像数据时无可比拟的优势。

2.循环神经网络

        循环神经网络（Recurrent Neural Network, RNN），作为一种专为序列数据处理而设计的神经网络架构，隶属于深度学习神经网络（Deep Neural Network, DNN）的广阔范畴。与传统的前馈神经网络（Feedforward Neural Networks）显著不同，RNN在其独特的运作机制中融入了“记忆”的能力。具体而言，每当处理序列中的每一个输入元素时，RNN不仅考虑当前的输入信息，还会保留一个内部状态，即隐藏状态（Hidden State），并将这一状态传递到序列的下一个时间步中。这种设计使得RNN能够“记住”并有效利用序列中先前的信息，从而在处理连续或相互关联的数据时展现出卓越的性能。

在自然语言处理（Natural Language Processing, NLP）、语音识别（Speech Recognition）、机器翻译（Machine Translation）等众多挑战性任务中，RNN已经取得了令人瞩目的成就。其核心优势在于能够深入捕捉并理解输入序列中的上下文信息，这种能力对于理解和生成自然语言、解析连续音频信号以及实现跨语言转换等任务至关重要。