📚 神经网络的常见分类方式可以从不同角度来划分，以下是几种主流思路，帮你快速梳理清晰：
1️⃣ 按网络结构分类
-
前馈神经网络（Feedforward Neural Network, FNN） 数据从输入层→隐藏层→输出层单向传递，没有循环和反馈。
-
卷积神经网络（Convolutional Neural Network, CNN） 擅长处理网格结构数据（如图像），利用卷积核提取局部特征。
-
循环神经网络（Recurrent Neural Network, RNN） 节点间有环路，适合处理序列数据（如语音、文本）。
-
图神经网络（Graph Neural Network, GNN） 面向图结构数据，如社交网络、知识图谱。
-
生成对抗网络（Generative Adversarial Network, GAN） 生成器与判别器对抗训练，适合生成高质量数据。
2️⃣ 按学习方式分类
-
监督学习网络：有标签数据监督训练，例如分类、回归。
-
无监督学习网络：不依赖标签，寻找数据结构与模式，如自编码器（Autoencoder）。
-
半监督学习网络：结合少量标注数据和大量未标注数据。
-
强化学习网络：通过奖励信号学习策略（Policy Network、Value Network 等）。
3️⃣ 按信息传播方向分类
-
单向传播：信息只向前流动（FNN、CNN）。
-
双向传播：如双向RNN（Bi-RNN），能够结合上下文信息。
4️⃣ 按任务类型分类
-
分类网络：用于图像分类、文本分类等。
-
回归网络：预测连续值。
-
生成网络：生成图像、文本、音频等。
-
序列建模网络：机器翻译、语音识别。