一、核心基础算法
前馈神经网络（FNN）
基础结构：输入层 → 隐藏层 → 输出层（全连接）。
用途：简单分类/回归，但参数量大，易过拟合
卷积神经网络（CNN）
核心操作：卷积核（局部感受野）、池化（降维）、全连接层。
变体：1D-CNN（文本/信号）、3D-CNN（视频）
循环神经网络（RNN）
序列建模：通过隐藏状态传递时序信息。
改进型：LSTM（长短期记忆）、GRU（门控单元）。
自编码器（Autoencoder）
无监督学习：编码器（压缩）→ 解码器（重建）。
衍生模型：VAE（生成数据）、DAE（去噪）。
二、进阶与衍生算法
Transformer
核心机制：自注意力（Self-Attention）+ 位置编码。
衍生模型：
Encoder型（如BERT，用于NLP任务）。
Decoder型（如GPT，生成任务）。
混合型（如T5、BART）。
生成对抗网络（GAN）
对抗训练：生成器（造假）vs 判别器（辨真）。
变体：DCGAN（深度卷积）、CycleGAN（图像转换）、StyleGAN（高保真生成）。
深度强化学习（DRL）
结合RL与深度学习：
价值学习：DQN（Deep Q-Network）。
策略学习：PPO（近端策略优化）、A3C。
应用：游戏AI（AlphaStar）、自动驾驶。
图神经网络（GNN）
处理非欧式数据（社交网络、分子结构）。
典型模型：GCN（图卷积）、GAT（图注意力）。
