（二）卷积神经网络（CNN）：图像识别利器
CNN 专为处理网格化数据（如图像、音频）设计。核心组件有卷积层、池化层和全连接层。卷积层利用卷积核在图像上滑动，提取局部特征，权值共享大幅减少参数数量；池化层降低数据维度，保留关键信息，提升计算效率；全连接层整合特征，完成分类或回归。经典架构 AlexNet 凭借深层卷积结构，革新图像识别精度；ResNet 引入残差连接，解决梯度消失问题，训练深层网络游刃有余；VGG 以规整卷积层堆叠，凸显网络深度优势。CNN 在安防监控、自动驾驶、医学影像诊断广泛应用。
（三）循环神经网络（RNN）：序列数据处理专家
RNN 用于处理序列数据，如文本、语音、时间序列，关键在于神经元间带反馈连接，隐藏状态保存过往信息，随时间步递推更新。但传统 RNN 面临梯度消失或爆炸问题，长序列记忆困难。LSTM 和 GRU 应运而生，引入门控机制，精准控制信息留存、更新、输出，提升长序列处理能力。RNN 常用于机器翻译、情感分析、股票价格预测，赋予机器理解时间顺序与上下文语境的能力。
（四）自编码器（AE）：数据降维与特征提取能手
AE 含编码器和解码器两部分，编码器将高维输入数据压缩成低维特征表示（编码），解码器再从编码重构原始数据。训练旨在最小化重构误差，迫使网络学习数据关键特征。AE 应用广泛，可用于数据压缩、去噪、异常检测。变分自编码器（VAE）更是引入概率分布概念，生成全新数据样本，拓展应用至图像生成、药物分子设计领域。
三、前沿神经网络架构创新探索
（一）Transformer 架构：革新自然语言与视觉处理
Transformer 摒弃 RNN 顺序依赖，采用多头注意力机制，同步关注输入序列不同位置信息，捕捉复杂语义关系。架构由编码器、解码器组成，编码器提取特征，解码器生成输出。GPT 系列基于 Transformer 编码器，成为自然语言处理标杆，GPT-4 语言理解生成超乎想象；谷歌 BERT 预训练模型，双向编码语义，提升下游任务精度；在视觉领域，ViT 将图像切分成块，类比文本序列处理，打破 CNN 在图像领域长期主导，开辟新范式。