最近一直在研究神经网络相关的知识。通过一段时间的学习，我感觉需要总结一下神经网络相关模型的优缺点以及适用的场景。
不要觉得神经网络很难学，实际上学进去还是比较容易的。只要理解一些基础公式和工作原理，基本上都是相通的。
下面是我最近学习总结的模型特点和对比关系，也是为了以后继续学习做铺垫。这些模型都是在神经网络上应用的，可以看作是上层建筑。所以，只有在学好神经网络之后，才能理解这些模型，否则可能会一头雾水。
常见的神经网络模型对比表：
| 神经网络类型 | 解决的问题 | 适用场景 | 特点与异同 |
|---|---|---|---|
| 全连接神经网络 (ANN) | 一般预测与分类问题 | 图像识别初级阶段，文本分类 | 基础的神经网络，每个神经元与前后层所有神经元相连 |
| 卷积神经网络 (CNN) | 图像相关问题 | 图像识别，视频分析，医学图像分析 | 利用卷积核提取空间特征，减少参数量，适合处理图像 |
| 循环神经网络 (RNN) | 顺序数据问题 | 语音识别，自然语言处理，时间序列分析 | 能处理序列数据，参数共享，处理时间相关性信息 |
| 长短期记忆网络 (LSTM) | 长序列依赖问题 | 长文本生成，复杂语句翻译，高级语音识别 | 改进的RNN，有门控制机制，解决梯度消失问题 |
| 生成对抗网络 (GAN) | 生成新的数据样本 | 图像合成，艺术创作，数据增强 | 由生成器和判别器组成，通过对抗过程提高生成质量 |
| 变分自编码器 (VAE) | 生成新的数据样本和特征学习 | 图像重建，去噪，内容生成 | 利用概率编码和解码过程，理论基础较GAN更严谨 |
| 自注意力网络 (SAN) | 复杂关系和长距离依赖的理解 | 大规模文本处理（如Transformer），图像分割等 | 利用注意力机制，能够更灵活地捕捉数据间的关系 |