1、三代神经网络的发展

第一代神经网络：感知器（1950s）

第一代神经网络又称为感知机，在1950年左右被提出来，算法分为输入层和输出层，输入和输出之间为线性关系，感知机无法处理非线性模型，即不能解决线性不可分的问题。

第二代神经网络：多层感知器MLP（1980s）

第二代神经网络为多层感知机（MLP），在1980年左右Rumelhart、Williams等人提出，和第一代相比，在中间加了多个隐藏层，隐藏层可以引入非线性结构，能够解决第一代神经网络面临的线性不可分问题，从而能够处理非线性问题。

第三代神经网络：深度神经网络（2010s）

MLP能够解决线性不可分问题，但是隐藏层的引入也使得MLP变得复杂，由于梯度消失的问题，MLP难以训练，直到2006年Hinton采取无监督预训练（Pre-Training）的方法解决了梯度消失的问题，使得深度神经网络变得可训练，自此逐步开启了第三代神经网络。

第三代神经网络主要包括DNN、RNN、CNN等。

2、DNN：深度神经网络

DNN和传统意义上的神经网络（NN）在结构上并无大的差别，主要是层数增加了，并且解决了不可训练的问题。

DNN最大的问题是只能看到预先设定的长度的数据，对于语音和语言等前后相关的时序信号的表达能力还是有限的，基于此提出了RNN模型，即递归神经网络。

3、RNN：递归神经网络

DNN存在的问题是：无法对时间序列上的变化进行建模。因为DNN的隐藏层只能接收当前时刻上一层的输入。

在RNN中。神经元的输出可以在下一时刻作用到本身，也就是说，RNN的隐藏层不仅可以接收到来自当前时刻上一层的输入，还可以接收上一时刻当前隐藏层的输入。

RNN的这种变化使得神经网络具有了历史记忆功能，原则上可以看到无穷长的历史信息，可以用来处理时间序列问题，例如连续的语音、连续的手写文字等。

 4、CNN：卷积神经网络

卷积神经网络是为了模拟人的视觉神经系统提出来的，广泛应用于图像识别等领域。

以CNN做人脸识别任务为例，先得到一些像素信息，再往上层得到一些边界信息，然后再往上提取就是一些人脸的部件信息，包括眼睛、耳朵、眉毛、嘴巴等，最后是人脸识别，这整个过程和人的视觉神经系统是非常相似的。

CNN网络结构包括输入层、隐藏层、输出层等，隐藏层由卷积层、池化层、全连接层等组成。

 参考

https://www.cnblogs.com/pinard/p/6418668.html

https://zhuanlan.zhihu.com/p/51241366

https://zhuanlan.zhihu.com/p/55838329