八大神经网络的区别

神经网络名称	全称/修正名称	主要作用	核心特点	典型应用场景
CINI	CNN（卷积神经网络）	处理图像、视频等空间数据，提取局部特征。	使用卷积核、池化操作；擅长平移不变性。	图像分类、目标检测、人脸识别。
RINI	RNN（循环神经网络）	处理时序数据（如文本、语音），捕捉时间依赖关系。	通过隐藏状态传递历史信息；但存在梯度消失问题。	语音识别、文本生成、时间序列预测。
GAVE	GAN（生成对抗网络）	生成逼真数据（如图像、音频），通过生成器和判别器对抗训练。	生成器伪造数据，判别器鉴别真伪；训练不稳定但生成质量高。	图像生成、风格迁移、数据增强。
GNN	GNN（图神经网络）	处理图结构数据（如社交网络、分子结构），建模节点间关系。	聚合邻居节点信息；支持非欧几里得数据。	推荐系统、药物发现、交通预测。
Transformer	Transformer	处理长序列数据（如文本、语音），通过自注意力机制捕捉全局依赖。	并行计算能力强；无需循环结构，适合大规模预训练。	机器翻译、ChatGPT、多模态融合。
LSTM	LSTM（长短期记忆网络）	解决RNN的长程依赖问题，更好地记忆时序中的关键信息。	引入门控机制（输入门、遗忘门、输出门）。	语音合成、股票预测、文本摘要。
DQN	DQN（深度Q网络）	强化学习任务，通过Q-learning结合神经网络学习最优策略。	使用经验回放和固定目标网络；解决高维状态空间问题。	游戏AI（如AlphaGo）、机器人控制。
DBN	DBN（深度置信网络）	无监督特征学习，通过堆叠受限玻尔兹曼机（RBM）预训练深度网络。	逐层贪婪训练；常用于初始化深度学习模型。	早期语音识别、图像特征提取。