一文介绍CNN/RNN/GAN/Transformer等架构 ！！
文章目录
前言
1、卷积神经网络（CNN）
2、循环神经网络（RNN）
3、生成对抗网络（GAN）
4、Transformer 架构
5、Encoder-Decoder架构

前言
本文旨在介绍深度学习架构，包括卷积神经网络CNN、循环神经网络RNN、生成对抗网络GAN、Transformer和Encoder-Decoder架构。

1、卷积神经网络（CNN）
卷积神经网络CNN是一种人工神经网络，旨在处理和分析具有网格状拓扑结构的数据，如图像和视频。将CNN想象成一个多层过滤器，可以处理图像以提取有意义的特征并进行推理预测。
想象一下，假设我们有一张手写数字的照片，希望计算机能识别出这个数字。CNN的工作原理是在图像上应用一系列滤波器，逐渐提取出越来越复杂的特征。浅层的滤波器检测边缘和线条等简单特征，而深层的滤波器则检测形状和数字等更复杂的模式特征。

CNN的层可分为三种类型：卷积层、池化层和全连接层。
卷积层：这些层将滤波器应用于图像，每个滤波器在图像上滑动，计算滤波器与其覆盖像素之间的点积。这一过程会生成新的特征图，突出图像中的特定模式。这个过程会用不同的滤波器重复多次，从而生成一组捕捉图像不同方面的特征图。
池化层：池化层对特征图进行下采样操作，在保留重要特征的同时减少数据的空间维度。这有助于降低计算复杂度，防止过拟合。最常见的池化类型是最大值池化，它从像素的一个小邻域中选择最大值。
全连接层：这些层与传统神经网络中的层类似。它们将一层中的每个神经元与下一层中的每个神经元连接起来。卷积