深度学习经典网络架构

Mickey Q2026-08-28 22:30

一、神经网络大分类

深度学习的神经网络模型，大致可以分为这几大流派：

复制代码

深度学习神经网络
│
├── CNN 系（卷积派，擅长看图）
│   ├── AlexNet        ------ 开山之作
│   ├── VGG            ------ 简单堆叠派
│   ├── GoogLeNet      ------ 多分支派
│   ├── ResNet         ------ 残差连接派（解决"太深训不动"）
│   └── UNet           ------ 编码-解码派（专为分割设计）
│
├── RNN 系（循环派，擅长读文字、看时间序列）
│   ├── LSTM           ------ 解决"长文本记不住"
│   └── GRU            ------ LSTM 的轻量版
│
├── Transformer 系（注意力派，新一代霸主）
│   ├── BERT / GPT     ------ NLP 双子星
│   ├── ViT            ------ Transformer 跑去做视觉
│   └── Swin           ------ 融合 CNN 思想的 Transformer
│
├── GAN 系（生成派，擅长"造假"）
│   ├── DCGAN / StyleGAN------ 生成图像
│   └── CycleGAN       ------ 风格转换
│
└── 检测派（专门"框东西"）
    ├── YOLO           ------ 快准狠
    ├── Faster R-CNN   ------ 精但慢
    └── DETR           ------ 用 Transformer 做检测

八、演进时间线总览

年份	里程碑	流派	意义
1998	LeNet	CNN	CNN 起源
2012	AlexNet	CNN	深度学习复兴
2014	VGG / GoogLeNet	CNN	网络加深、加宽
2014	GAN	生成	对抗训练思想
2015	ResNet	CNN	残差连接解决深网退化
2015	UNet	CNN	编解码分割专用
2015	YOLO	检测	单阶段实时检测
2017	Transformer	注意力	抛弃 RNN，开启注意力时代
2018	BERT / GPT	Transformer	NLP 预训练范式
2020	ViT	Transformer	Transformer 进入视觉
2020	DETR	Transformer+检测	端到端检测
2021	Swin / TransUNet	融合	CNN 与 Transformer 融合