神经网络根据中间功能层的不同分为不同的神经网络。主要有以下三种：
1、全连接神经网络(FNN)
特点：每一层是全连接层—即每一层的每个神经元与上一层所有神经元都有连接；
作用：
① 多个全连接层可以从不同角度提取特征；
② 全连接层作为输出层有分类和数值预测的功能；也经常用于卷积神经网络。
缺点：权重多，计算量大。
场景：所有的神经网络均可以利用
2、卷积神经网络（CNN）
特点：
① 卷积层：相当于滤镜，将图片进行分块，对每一块进行特征处理，从而提取特征。
② 池化层：通过对提取的高维特征进行降维。
③ 全连接层：对空间排列的特征化成一维的向量。
场景：人脸识别、图片识别
3、循环神经网络(RNN)
特点：
① 中间层的输出作为输入和下一个样本数据一起作为输入，也叫循环层
② 具有记忆样本之间相关联系的能力
场景：常用于文本填充、时间序列、语音识别等序列数据
总结：每一种神经网络各有优点，在具体的场景中，根据不用的应用选择不同的网络，也可能会同时用到三种网络搭建更复杂的网络。
版权声明：本文为CSDN博主「dyna_lidan」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/dyna_lidan/article/details/82462145
