十种常见的CNN架构
LeNet
优点：是最早的卷积神经网络之一，对于手写数字识别等小规模图像分类任务表现良好。
缺点：对于大规模图像数据集或高维数据处理能力有限。
应用场景：手写数字识别、简单的图像分类任务。
AlexNet
优点：引入了ReLU激活函数和Dropout技术，大幅提高了网络的准确性和稳定性。
缺点：计算量较大，需要大量的训练数据和计算资源。
应用场景：图像分类、物体识别等。
VGGNet
优点：通过重复使用简单的卷积层堆叠，构建了深层的网络结构，提高了模型的表征能力。
缺点：参数数量庞大，计算复杂度高。
应用场景：图像分类、物体检测等。
GoogLeNet/Inception
优点：引入了Inception模块，通过不同尺寸的卷积和池化层并行处理，提高了计算效率和准确率。
缺点：网络结构复杂，难以理解和实现。
应用场景：图像分类、物体识别等。
ResNet
优点：引入了残差学习框架，解决了深层网络训练困难的问题，提高了模型的稳定性和准确率。
缺点：残差单元的引入增加了模型的复杂性。
应用场景：图像分类、物体检测、人脸识别等。
DenseNet
优点：通过将每层与其他层连接，提高了信息传播效率和模型稳定性。
缺点：计算复杂度较高，需要更多的内存和计算资源。
应用场景：图像分类、物体检测等。
MobileNet
优点：通过使用深度可分离卷积，减少了参数数量和计算复杂度，适用于移动和边缘设备。
缺点：模型性能可能不如一些更复杂的网络结构。
应用场景：移动设备上的图像分类、物体识别等。
NASNet
优点：引入了神经网络架构搜索（NAS）技术，自动设计网络结构，提高了模型性能。
缺点：训练过程复杂，需要大量的计算资源和时间。
应用场景：图像分类、物体检测等。
EfficientNet
优点：通过调整网络的宽度、深度和分辨率，自动搜索最优的网络结构，提高了模型性能。
缺点：模型参数和计算量可能仍然较大，需要大量的训练数据和计算资源。
应用场景：图像分类、物体检测等。
TPUNet
优点：针对TPU硬件优化设计，提高了模型在TPU上的训练速度和性能。
缺点：主要针对TPU硬件，可能不适合其他类型的硬件平台。
应用场景：大规模图像分类、物体检测等任务。
全连接神经网络（FNN）
优点：结构简单，易于理解和实现。可以适用于多种基本的监督学习任务。
缺点：对于序列数据和时序数据处理能力有限。容易遇到梯度消失/梯度爆炸问题。
应用：图像识别、文本分类等。
卷积神经网络（CNN）
优点：在计算机视觉任务中表现优秀，如图像分类、物体检测。通过权值共享减少参数数量，降低过拟合风险。
缺点：对于非图像任务，需要特定的设计才能有效应用。当网络深度增加时，可能遇到梯度消失/梯度爆炸问题。
应用：图像识别、人脸识别、物体检测等。
循环神经网络（RNN）
优点：在处理序列数据和时序数据方面表现优异。能够处理长度可变的输入和输出序列。
缺点：学习长期依赖关系困难（尽管 LSTM 和 GRU 有所改善）。训练时间较长，计算复杂度高。
应用：自然语言处理、时间序列预测等。
长短时记忆网络（LSTM）和门控循环单元（GRU）
优点：能够有效捕捉长期依赖关系，解决梯度消失问题。在自然语言处理、时间序列预测等任务中表现出色。
缺点：相比于基本 RNN，计算复杂度较高。参数数量较多，容易导致过拟合。
应用：机器翻译、语音识别等。
自编码器（Autoencoder）
优点：可以用于数据去噪和特征提取。通过编码器-解码器的架构学习数据的潜在表示。
缺点：训练过程中可能会过拟合。仅适用于有监督学习环境。
应用：图像压缩、异常检测等。
生成对抗网络（GAN）
优点：能够生成高质量、多样化的数据。提高模型的鲁棒性。
缺点：训练过程复杂，需要精心设计的损失函数和超参数。可能存在模式崩溃的问题。
应用：图像生成、图像编辑、推荐系统等。
注意力机制（Attention Mechanism）
优点：使模型能够关注输入序列中的重要部分，提高处理长距离依赖的能力。
缺点：增加模型的复杂性，可能影响训练速度。
应用：机器翻译、文本摘要等。
Transformer
优点：通过自注意力机制，能够捕捉输入序列中的长距离依赖关系。适用于多种语言模型任务，如机器翻译、文本分类等。
缺点：计算量较大，需要大量的训练数据和计算资源。
应用：自然语言处理、机器翻译等。
对抗性训练（Adversarial Training）
优点：提高模型的鲁棒性，使模型在面临敌意输入时仍然保持性能。
缺点：训练过程需要大量的计算资源，且可能需要调整多个超参数。
应用：图像分类、自动驾驶等。
迁移学习（Transfer Learning）
优点：利用预训练模型快速适应新任务，减少训练时间和计算资源。
缺点：需要选择合适的预训练模型和目标任务。可能存在预训练模型与目标任务不匹配的问题。
应用：图像识别、语音识别等。