深度学习今年来经典模型优缺点总结，包括卷积、循环卷积、Transformer、LSTM、GANs等
文章目录
1、卷积神经网络（Convolutional Neural Networks，CNN）
1.1 优点
- 可用于图像处理和计算机视觉领域任务，包括图像分类、人物检索、物体重识别、物体检测和图像分割。
- 通过卷积层有效捕捉图像中的局部特征（这是跟 transformer 的区别，transformer 关注全局信息）。
- 具有平移不变性。
1.2 缺点
- 需要大规模的标记图像数据进行训练。
- 在其他领域的任务上性能可能不如前馈神经网络。
1.3 应用场景
适用场景：图像分类、目标检测等。
案例：图像识别。将图像分类为不同的物体或场景。
1.4 网络图
《Gradient-based learning applied to document recognition》；LeNet-5
2、循环神经网络（Recurrent Neural Networks，RNNs）
2.1 优点
- 适用于序列数据，如自然语言处理和时间序列分析。
- 具有循环连接，可以处理不定长的序列数据。
- 具有记忆能力，可以捕捉时间依赖性。
2.2 缺点
- 梯度消失问题，导致长序列的性能下降。
- 计算复杂性较高，不适用于大规模数据和深度网络。
2.3 应用场景
适用场景：序列建模、自然语言处理等。
案例：语音识别。将口头语言转换为文本。
2.4 网络图
《Recurrent Neural Networks》
3、长短时记忆网络（Long Short-Term Memory，LSTM）
3.1 优点
- 解决了RNN的梯度消失问题。
- 适用于长序列的建模。
- 在自然语言处理等领域取得了显著的成功。
3.2 缺点
- 计算复杂性较高。
- 需要大量的数据来训练深层 LSTM 网络。
3.3 应用场景
适用场景：处理长序列和时间序列数据。
案例：股票价格预测。预测金融市场的趋势。
3.4 网络图
《Long Short-Term Memory networks》
4、门控循环单元（Gated Recurrent Unit，GRU）
4.1 优点
- 类似于 LSTM，但参数较少，计算复杂性较低。
- 在某些任务上性能与 LSTM 相媲美。
4.2 缺点
- 对于某些复杂任务，性能可能不如LSTM。
4.3 应用场景
适用场景：用于序列数据处理，与 LSTM 类似。
案例：情感分析。分析文本中的情感。
4.4 网络图
5、自注意力模型（Transformer）
5.1 优点
- 适用于自然语言处理和序列建模等任务。
- 可并行化，计算效率高。
- 在大规模数据和深度模型上表现出色。
5.2 缺点
- 需要大规模的数据来训练。
- 相对较新的模型，可能不适用于所有任务。
5.3 应用场景
适用场景：用于自然语言处理、机器翻译等。
案例：机器翻译。将一种语言的文本翻译为另一种语言。
5.4 网络图
《Attention is All you need》
6、生成对抗网络（Generative Adversarial Networks，GANs）
6.1 优点
- 用于生成数据和图像，以及进行无监督学习。
- 生成高质量的样本。
- 在图像生成、风格迁移等领域取得了显著的成功。
6.2 缺点
- 训练复杂性高，稳定性差，需要谨慎调整超参数。
- 对于某些任务，可能存在模式崩溃问题。
- 相较于最新的扩散模型，生成的质量和效果不具有竞争性，特定的生成数据可能存在一定的噪声。
6.3 应用场景
适用场景：用于生成图像、音频、文本等。
案例：图像生成。生成逼真的图像。
6.4 网络图
《Generative Adversarial Nets》
7、人工神经网络
最后，再介绍一种人工神经网络：前馈神经网络（Feedforward Neural Networks，FNNs）。
7.1 优点
- 适用于各种任务，包括分类和回归。
- 具有很强的表示能力，可以捕捉复杂的非线性关系。
- 针对深度学习问题提供了基础。
7.2 缺点
- 对于小样本数据，容易出现过拟合。
- 需要大量的标记数据进行训练。
7.3 应用场景
适用场景：用于分类和回归任务。
案例：图像分类。将图像分为不同的类别。
7.4 网络图
