全链接神经网络，CNN，RNN各自擅长解决什么问题
全连接神经网络（Fully Connected Neural Network, FCNN/DNN）、卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）是深度学习中三种最基础且重要的架构，它们各自的核心设计理念使其擅长处理不同类型的数据和问题：
-
全连接神经网络 (FCNN / DNN)
-
核心结构： 每一层的神经元都与前一层的所有神经元相连。这是最基础的神经网络结构。
-
擅长解决的问题：
-
结构化数据的分类和回归： 这是它最典型的应用场景。当你的输入数据是固定长度的特征向量（即表格数据，每一列代表一个特征，每一行代表一个样本）时，FCNN 非常有效。例如：
-
预测房价（基于面积、位置、房间数等特征）。
-
信用评分（基于收入、负债、信用历史等）。
-
客户流失预测。
-
任何传统的机器学习问题（如逻辑回归、SVM能做的），但数据量较大或特征间关系复杂时，FCNN 可能表现更好。
-
-
作为其他网络的组成部分： 通常作为 CNN 或 RNN 网络的末端分类器/回归器，将学到的抽象特征映射到最终的输出（如类别标签或数值）。
-
-
关键特点/局限：
-
输入尺寸固定： 要求所有输入样本具有相同长度的特征向量。
-
无视空间/序列结构： 它将输入视为一维向量，完全忽略了数据内部可能存在的空间关系（如图像中的像素位置）或时间序列关系（如句子中的单词顺序）。
-
参数多，易过拟合： 对于高维数据（如图像），参数数量巨大，计算成本高且容易过拟合。
-
-
-
卷积神经网络 (CNN)
-
核心结构： 使用卷积层（提取局部特征）、池化层（降维，增加空间不变性）和全连接层（最终决策）。核心是卷积操作，它利用可学习的滤波器在输入数据上滑动，提取局部特征。
-
擅长解决的问题：
-
图像相关的任务： 这是 CNN 的“主战场”，其设计天然适合处理具有空间局部性和平移不变性的网格状数据（如像素）。
-
图像分类： 识别图像中的主要物体（猫、狗、汽车等）。
-
目标检测： 识别图像中物体的位置和类别（画框）。
-
语义分割： 对图像中每个像素进行分类（区分天空、道路、行人等）。
-
人脸识别： 识别或验证人脸身份。
-
-
视频分析： 可以处理视频帧序列（本质上是图像序列），用于动作识别、视频分类等。
-
具有空间结构的一维数据： 有时也用于处理具有局部模式的一维序列数据，如：
-
音频处理： 将音频频谱图视为图像，进行语音识别、音乐分类。
-
时间序列分析（某些场景）： 当任务更侧重于识别序列中的局部模式或形状（如心电图中的异常波形检测）而非长期依赖时。
-
-
其他网格数据： 如棋盘游戏（围棋、象棋）的状态评估。
-
-
关键优势：
-
局部连接与权值共享： 大幅减少参数数量，降低计算复杂度，缓解过拟合。
-
平移不变性： 物体在图像中的位置变化不会影响识别结果（通过池化增强）。
-
层次化特征提取： 底层卷积层提取简单特征（边缘、角点），高层卷积层组合底层特征形成复杂特征（物体部件、完整物体）。
-
-
-
循环神经网络 (RNN)
-
核心结构： 具有“循环连接”，网络中存在“记忆”单元，使得当前时刻的输出不仅取决于当前输入，还取决于之前所有时刻的状态。这使其能够处理序列数据。
-
擅长解决的问题：
-
时间序列预测与分析：
-
股票价格预测。
-
天气预测。
-
销售量预测。
-
传感器数据分析（如工业设备故障预测）。
-
-
自然语言处理 (NLP)： 处理文本这种典型的序列数据（单词/字符序列）是 RNN 的传统强项（尽管现在 Transformer 在很多任务上更优，RNN 及其变体仍有应用）。
-
机器翻译： 将一种语言的序列转换为另一种语言的序列。
-
文本生成： 生成连贯的句子、文章、代码等。
-
情感分析： 判断一段文本的情感倾向（积极/消极）。
-
命名实体识别： 识别文本中的人名、地名、机构名等。
-
语音识别： 将音频序列（声学特征）转换为文字序列。
-
-
其他序列数据： 如用户行为序列（点击流）、DNA序列分析等。
-
-
关键优势：
-
处理变长序列： 输入和输出的长度可以动态变化。
-
建模时间/顺序依赖： 能够捕捉序列中元素之间的长期依赖关系（理论上），理解上下文信息。例如，理解句子中一个词的含义依赖于它前面的词。
-
-
重要变体：
-
LSTM： 长短期记忆网络，通过精心设计的门控机制，有效解决了基本 RNN 的梯度消失/爆炸问题，显著提升了捕捉长期依赖的能力。
-
GRU： 门控循环单元，LSTM 的一种简化变体，效果相近但参数更少，计算效率更高。LSTM 和 GRU 是目前实际应用中最常用的 RNN 类型。
-
-