目录
- [一、 视觉流派：卷积神经网络（CNN）](#一、 视觉流派：卷积神经网络（CNN）)
- [二、 序列流派：循环神经网络（RNN）与 LSTM](#二、 序列流派：循环神经网络（RNN）与 LSTM)
- [三、 生成流派：生成对抗网络（GAN）](#三、 生成流派：生成对抗网络（GAN）)
一、 视觉流派：卷积神经网络（CNN）
1. CNN的本质
- 本质：空间特征提取器。
- 它是做什么的：CNN模仿人类的视觉皮层。它通过一个"互动窗口"（卷积核）在图像上扫描，提取局部的特征（如线条、边缘），再逐渐组合成复杂的图形（如眼睛、轮子）。
- CNN输出尺寸怎么算（点击跳转）
2. 基于CNN的图像分类算法
- 核心逻辑：给模型一张图，它输出一个标签（如猫、狗、法拉利）。
- 经典模型：ResNet（解决网络太深学不懂的问题）。
- 现实应用：手机相册的自动分类、垃圾分类摄像头。
- CNN的图像算法变迁史（概述）
3. 基于CNN的图像检测算法
- 核心逻辑："它在哪？是什么？"分类只管标签，检测还要在图上画出"框"。
- 经典模型：YOLO（快到可以实时检测）、Faster R-CNN（更准）
- 现实应用：自动驾驶中识别行人、交通灯；安检时识别违禁品。
- 基于CNN的图像检测算法
二、 序列流派：循环神经网络（RNN）与 LSTM
处理完"空间"信息，接下来要处理"时间"信息。
4. 循环神经网络（RNN）
- 本质： 有权重的循环反馈。
- 它是做什么的： 传统的神经网络每一跳都是独立的，但人类理解语言是看前后文的。RNN 加入了一个"循环"，让上一时刻的信息能影响下一时刻。
- 现实应用： 简单的天气预报预测、输入法提示词。
- 痛点： RNN 记性不好，处理太长的句子时，前面的信息就"弄丢了"（梯度消失）。
5. 长短期记忆模型（LSTM）
- 本质： 带"门控单元"的记录本。
- 它是做什么的： 为了解决 RNN 记性差的问题，LSTM 引入了"遗忘门"、"输入门"和"输出门"。它能自主决定哪些信息该永久记住，哪些该立刻忘掉。
- 现实应用： 语音助手（Siri）、机器翻译（Google Translate）、股票长周期预测。
三、 生成流派：生成对抗网络（GAN）
6. 生成对抗网络（GAN）
- 本质： 博弈与博弈中的进化。
- 它是做什么的： GAN 由两个模型组成：生成器（画假画的骗子）和判别器（识破假画的警察）。警察逼着骗子画得越来越像，骗子逼着警察眼力越来越稳。最终，骗子画出的画连专家都分不清真假。
- 现实应用：
- 艺术创作： 只要输入"梵高风格"，就能把普通照片变油画。
- 数据增强： 医学影像数据不够时，用 GAN 生成逼真的虚假病例图来训练 AI。
- Deepfake： 变脸视频。