神经网络是深度学习的核心，常用的神经网络模型主要有：1.前馈神经网络（Feedforward Neural Networks）；2.卷积神经网络（Convolutional Neural Networks）；3.递归神经网络（Recurrent Neural Networks）；4.生成对抗网络（Generative Adversarial Networks）；5.自编码器（Autoencoders）。
一、前馈神经网络（Feedforward Neural Networks）
基本概念：简单的多层结构，数据从输入层到输出层单向流动。
应用领域：基本的分类和回归问题。
二、卷积神经网络（Convolutional Neural Networks，CNN）
基本概念：通过卷积层自动学习空间层次特征。
应用领域：图像识别、视频分析、计算机视觉。
三、递归神经网络（Recurrent Neural Networks，RNN）
基本概念：含有反馈连接，能够处理序列数据。
应用领域：自然语言处理、时间序列预测。
四、生成对抗网络（Generative Adversarial Networks，GAN）
基本概念：由两个网络组成，一个生成器和一个判别器，通过协同竞争进行学习。
应用领域：图像生成、艺术创作、数据增强。
五、自编码器（Autoencoders）
基本概念：学习输入数据的压缩表示，用于降维或去噪。
应用领域：特征学习、数据压缩、异常检测。
常见问答：
Q1：什么是深度神经网络？
答：深度神经网络是由多个隐藏层组成的神经网络，能够学习更复杂的特征。
Q2：神经网络如何进行训练？
答：通过梯度下降等优化算法，不断调整网络权重以减小损失函数。
Q3：神经网络在医疗领域有哪些应用？
答：例如图像识别用于疾病诊断，数据分析用于病人监测。
