Какие знаешь типы нейронных сетей?

Типы нейронных сетей

1. Полносвязная (Dense/Fully Connected)

model = tf.keras.Sequential([
    tf.keras.layers.Dense(128, activation="relu"),
    tf.keras.layers.Dense(10, activation="softmax")
])

Применение: табличные данные, классификация.

2. Сверточная (CNN)

model = tf.keras.Sequential([
    tf.keras.layers.Conv2D(32, (3, 3), activation="relu"),
    tf.keras.layers.MaxPooling2D((2, 2)),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(10, activation="softmax")
])

Применение: классификация изображений, компьютерное зрение.

3. Рекуррентная (RNN)

model = tf.keras.Sequential([
    tf.keras.layers.SimpleRNN(128, activation="relu"),
    tf.keras.layers.Dense(10, activation="softmax")
])

Применение: последовательности, временные ряды.

4. LSTM (Long Short-Term Memory)

model = tf.keras.Sequential([
    tf.keras.layers.LSTM(128, activation="relu"),
    tf.keras.layers.Dense(10, activation="softmax")
])

Применение: долгосрочные зависимости, NLP, временные ряды.

5. GRU (Gated Recurrent Unit)

Упрощенная LSTM с меньшим количеством параметров.

6. Автокодировщик (Autoencoder)

Энкодер сжимает данные, декодер восстанавливает.

Применение: сжатие, аномалия детектирование.

7. Трансформер (Transformer)

Использует механизм Attention.

from tensorflow.keras.layers import MultiHeadAttention
x = MultiHeadAttention(num_heads=8)(x, x)

Применение: BERT, GPT, T5, современный NLP.

8. GAN (Generative Adversarial Network)

Генератор vs Дискриминатор.

Применение: генерирование изображений, синтез лиц.

9. VAE (Variational Autoencoder)

Автокодировщик с вероятностным латентным пространством.

Применение: генерирование, обучение распределениям.

10. ResNet (Residual Network)

Iспользует skip connections для обучения очень глубоких сетей.

Применение: глубокие архитектуры, классификация изображений.

Сравнение

Заключение

Разные архитектуры оптимизированы для разных типов данных. Выбор правильной архитектуры зависит от задачи и типа входных данных.