CNN
CNN 的价值：
能够将⼤数据量的图⽚有效的降维成⼩数据量(并不影响结果)
能够保留图⽚的特征，类似⼈类的视觉原理
CNN 的基本原理：
卷积层 – 主要作⽤是保留图⽚的特征
池化层 – 主要作⽤是把数据降维，可以有效的避免过拟合
全连接层 – 根据不同任务输出我们想要的结果
CNN 的实际应⽤：
图⽚分类、检索
⽬标定位检测
⽬标分割
⼈脸识别
RNN
RNN 跟传统神经⽹络最⼤的区别在于每次都会将前⼀次的输出结果，带到下⼀次的隐藏层中。
⻓短期记忆⽹络 – LSTM
在标准的 RNN 中，只有单个 tanh 层，只保留重要的信息。
GRU 是 LSTM 的⼀个变体。保留了 LSTM 划重点，遗忘不重要信息的特点，在long-term 传播的时候也不会被丢失。在训练数据集⽐较⼤的情况下可以节省很多时间。
RNN的独特价值在于：它能有效的处理序列数据。
基于 RNN 出现了 LSTM 和 GRU 等变种算法。这些变种算法主要有⼏个特点：
⻓期信息可以有效的保留
挑选重要信息保留，不重要的信息会选择“遗忘”
RNN ⼏个典型的应⽤如下：
⽂本⽣成
语⾳识别
机器翻译
⽣成图像描述
视频标记
GANs
初衷：⾃动化
⽣成对抗⽹络（GANs）由2个重要的部分构成：
⽣成器(Generator)：通过机器⽣成数据（⼤部分情况下是图像），⽬的是“骗过”判别器
判别器(Discriminator)：判断这张图像是真实的还是机器⽣成的，⽬的是找出⽣成
器做的“假数据”
3个优势
能更好建模数据分布（图像更锐利、清晰）
理论上，GANs 能训练任何⼀种⽣成器⽹络。其他的框架需要⽣成器⽹络有⼀些特
定的函数形式，⽐如输出层是⾼斯的。
⽆需利⽤⻢尔科夫链反复采样，⽆需在学习过程中进⾏推断，没有复杂的变分下
界，避开近似计算棘⼿的概率的难题。
2个缺陷
难训练，不稳定。⽣成器和判别器之间需要很好的同步，但是在实际训练中很容易
D收敛，G发散。D/G 的训练需要精⼼的设计。
模式缺失（Mode Collapse）问题。GANs的学习过程可能出现模式缺失，⽣成器
开始退化，总是⽣成同样的样本点，⽆法继续学习。