1、基础模型

（1）卷积神经网络

**卷积：**卷积的本质是通过矩阵运算9的方式将输入数据进行空间上的滤波，有效地提取数据中的局
部特征，从而实现特征数据更高程度的抽象表示。

**池化：**可以理解成“压缩”，用来降低卷积层Q输出的特征维度，减少网络参数和计算量。

CNN通过多个卷积层和池化层Q对输入图像进行多次特征提取和降采样，最终得到全局特征表示，再通过全连接层Q进行分类。
优点：
参数数量小，训练时间短。
缺点：
不适用于序列数据Q，无法处理时序信息。
CNN的实际应用（更适合图像任务）：
图像分类、图像检索、目标检测、人脸识别、文本分类、语音识别

（2）循环神经网络 RNN

RNN是将CNN进行了改造，简单来说就是把上一次的输出混合下一次的输入再做一次计算，每次计算都对上一次的计算结果有一定的依赖。
优点：
解决了输入数据是连续的序列问题（例如“我喜欢人工智能”每个字之间有时序关系，也有逻辑关
系）。
缺点：
梯度消失Q或梯度爆炸、训川练速度较慢，计算量较大、复杂序列数据支持得不够好
RNN的实际应用(更适合NLPQ任务)：
机器翻译、语音识别、图片描述、时间序列分析等任务。

（3）长短期记忆网络 LSTM（long short-term memory）（基于RNN的扩展）

LSTM是RNN的一种变体，通过“门”结构引入“选择性遗忘Q“机制，解决RNN的这一弊端。
优点：
解决了传统RNN中存在的梯度消失和梯度爆炸问题，从而更好地处理长序列数据。
缺点
因为LSTM是RNN的一种变体，因此缺点方面，仍然是RNN的那些缺点。
LSTM的实际应用(更适合NLP任务)：
文本情感分析、语音识别、机器翻译、序列预测、图像分析、语音生成、时间序列分析。

2、高级模型和技术

（1）生成对抗网络 GAN（Generative Adversarial Networks）

优点：
生成能力强、不需要显式监督
缺点：
训练过程复杂、数据要求高
GAN的实际应用：
图像生成、图像修复“、风格迁移、去掉图像遮挡、年龄转移、语音合成“等。

（2）Transformer：

2017年，Google发表论文《Attention is all you need)》Q,成为Transformer开山之作。通过引入自注意力机制、多头自注意力机制°、前馈神经网络和位置编码等技术，Transformer实现了高效的并行计算和强大的表示能力。

自此，Transformer架构一路开挂，形成了一个枝繁叶茂的大家族，在文本分类、命名实体识别Q、
情感分析、问答系统、机器翻译、语音识别、图像分类Q等领域都取得了显著的成果。

3、大型预训练语言模型(Large Language Model)(通常基于Transformer架构）

近年来，BERT、GPT4、LLaMa等一大批优秀大模型纷纷亮相，开启了大模型新时代的新篇章。
前不久，谷歌多模态大模型RGemini Ultra也重磅发布，如今大模型不能说是热点，而要说是沸点
了。

对于技术人员来说，无论是从原理还是从使用上，大模型都注定成为“兵家必争之地”。