图解3种常见的深度学习网络结构：FC、CNN、RNN

导读：深度学习可以应用在各大领域中，根据应用情况的不同，深度神经网络的形态也各不相同。

常见的深度学习模型主要有全连接（Fully Connected，FC）网络结构、卷积神经网络（Convolutional Neural Network，CNN)和循环神经网络（Recurrent Neural Network，RNN）。

它们均有着自身的特点，在不同的场景中发挥着重要作用。本文将为读者介绍三种模型的基本概念以及它们各自适用的场景。

作者：刘祥龙 杨晴虹 胡晓光 于佃海 白浩杰 深度学习技术及应用国家工程实验室 百度技术学院

来源：大数据DT（ID：hzdashuju）

01 全连接网络结构

全连接（FC）网络结构是最基本的神经网络/深度神经网络层，全连接层的每一个节点都与上一层的所有节点相连。

全连接层在早期主要用于对提取的特征进行分类，然而由于全连接层所有的输出与输入都是相连的，一般全连接层的参数是最多的，这需要相当数量的存储和计算空间。

参数的冗余问题使单纯的FC组成的常规神经网络很少会被应用于较为复杂的场景中。常规神经网络一般用于依赖所有特征的简单场景，比如说房价预测模型和在线广告推荐模型使用的都是相对标准的全连接神经网络。FC组成的常规神经网络的具体形式如图2-7所示。