神经网络知识

前馈神经网络（Feedforward Neural Network, FNN）：

• 输入层和输出层映射：前馈神经网络的结构通常包括输入层、隐藏层和输出层。输入层接收数据，通过隐藏层的神经元进行计算，最终通过输出层得到结果。

• 训练函数：该网络通过反向传播算法调整权重，训练一个映射函数，用来将输入映射到输出。

卷积神经网络（CNN）：

• 卷积层：CNN的核心是卷积层，卷积操作利用卷积核（滤波器）对图像进行处理，提取局部特征（如边缘、纹理等）。这种结构能有效减少参数数量，同时保留空间信息。

• 优势：CNN能够对图像进行信号滤波，尤其擅长处理低频特征（如背景、边缘等），因此在图像处理任务中表现优秀。

长短时记忆网络（LSTM）：

• LSTM是一种特殊的循环神经网络（RNN），专门设计用来解决标准RNN在处理长期依赖时的梯度消失问题。LSTM通过“记忆单元”来存储长期信息，适合用于时间序列数据和序列生成任务，如语音识别、自然语言处理等。

Transformer：

• Transformer是一种基于自注意力机制的网络结构，广泛应用于自然语言处理（NLP）。其优势在于能够并行处理整个序列，捕捉长范围的依赖关系，在许多NLP任务中比传统的RNN/LSTM表现更好。

RGB通道：

• 图像通常由三个通道组成：红色（R）、绿色（G）和蓝色（B），这三种颜色组合能够表示各种颜色。每个通道的数值通常在0到255之间，表示颜色的强度。CNN通常利用这些通道进行卷积操作，处理图像中的颜色信息。