[30分钟]快速入门AI底层术语

4大类[基于神经网络的]模型

• MLP（Multilayer Perceptron，多层感知器）
• CNN卷积神经网络
• RNN循环神经网络
• Transformer【目前推荐】

实践建议

• 不要纠结于“纯种”网络：现实中几乎不存在纯粹的CNN或RNN应用

• 从问题出发倒推结构：

  • 数据有空间结构？→ 考虑CNN模块
  • 数据有时序关系？→ 考虑RNN/LSTM/GRU模块
  • 需要最终决策？→ 加上MLP分类/回归头

• 善用预训练模块：

  • 图像特征提取：直接用ResNet、EfficientNet等CNN主干
  • 文本特征提取：用BERT、RoBERTa等Transformer模型
  • 然后接上自己的任务特定层（通常是MLP）

现代深度学习不是选择“用CNN还是用RNN”，而是思考“如何把CNN、RNN、Attention、MLP等组件以最佳方式组装起来解决我的具体问题”。

这种模块化思维正是深度学习工程化的关键进步！

举例：关于AI术语经常讲各种操作单元进行混用

层级1：基础操作单元（原子级）
├── 卷积操作（CNN的核心）
├── 循环计算（RNN的核心）
├── 全连接计算（MLP的核心）
└── 注意力计算（Attention的核心）

层级2：网络层（分子级）
├── 卷积层 = 卷积操作 + 激活 + [可选BN]
├── 池化层 = 池化操作（最大/平均）
├── RNN层 = 循环计算单元（LSTM/GRU细胞）
├── 注意力层 = 注意力计算 + 前馈网络
└── 全连接层 = 全连接计算 + 激活

层级3：网络模块（细胞级）
├── ResNet块 = 卷积层×2 + 残差连接
├── Transformer块 = 自注意力层 + 前馈层 + 残差连接
└── ConvLSTM = 卷积操作 + LSTM门控