八大神经网络

1. CNN（Convolutional Neural Network）：

• 应用领域： 主要用于图像处理任务，如图像分类、目标检测和图像分割。
• 特点： 使用卷积层来检测图像中的空间模式和特征，通过池化层降低维度，最终通过全连接层进行分类。

2. RNN（Recurrent Neural Network）：

• 应用领域： 适用于序列数据，例如时间序列、自然语言处理任务。
• 特点： 具有循环连接，能够捕捉序列中的长期依赖关系，但在处理长序列时可能会面临梯度消失或梯度爆炸问题。

3. GAN（Generative Adversarial Network）：

• 应用领域： 用于生成新的、与真实数据相似的数据，如图像生成、风格转换等。
• 特点： 包含一个生成器和一个判别器，通过对抗训练的方式，生成器学习生成逼真的数据，而判别器学习区分真实数据和生成数据。

4. DQN（Deep Q-Network）：

• 应用领域： 强化学习，特别是在处理离散动作空间的问题中表现良好，如游戏控制和机器人控制。
• 特点： 基于深度学习的Q-learning方法，通过神经网络估计动作值函数，以优化智能体的策略。

5. GNN（Graph Neural Network）：

• 应用领域： 用于处理图结构数据，如社交网络、分子结构分析等。
• 特点： 能够捕捉节点之间的关系和图的结构，通过学习节点嵌入向量来进行图结构的任务。

6. LSTM（Long Short-Term Memory）：

• 应用领域： 适用于序列数据，特别是在需要捕捉长期依赖关系的任务中，如机器翻译、语音识别。
• 特点： 设计用来解决传统RNN中的梯度消失问题，通过门控机制实现对信息的长期记忆。

7. Transformer：

• 应用领域： 主要用于处理序列数据，如自然语言处理任务，机器翻译。
• 特点： 引入了自注意力机制，能够同时关注序列中不同位置的信息，取代了传统的循环或卷积结构，取得了在自然语言处理等领域的卓越成就。

8. DRN（Dilated Residual Network）：

• 应用领域： 主要用于图像分割任务，特别是在处理大尺度语境信息时表现出色。
• 特点： 利用扩张卷积（或称为膨胀卷积）结构，能够在保持分辨率的同时增加感受野，适用于需要全局上下文信息的任务。