1.网络结构：
由输入层、隐藏层和输出层组成。各层神经元通过全连接方式相连，即前一层的每个神经元都与后一层的每个神经元有连接，信息在神经元之间通过权重和偏置进行传递和计算。
2.特征提取方式：
特征提取主要依赖人工设计的特征工程，将原始数据转换为适合模型输入的特征向量。模型本身在隐藏层中通过神经元的线性和非线性变换对这些特征进行组合和抽象，但对原始数据的直接特征提取能力相对较弱，适用于处理简单的、结构化的数据，例如传统的分类和回归问题，输入数据通常是固定长度的向量，如信用风险评估、股票价格预测等。
3.数据处理能力：
适用于处理简单的、结构化的数据，例如传统的分类和回归问题，输入数据通常是固定长度的向量。对于复杂的、具有空间或时间结构的数据，如图像、音频等，需要先进行复杂的特征工程将其转换为向量形式才能输入模型，处理效果可能受限。
4.训练难度和参数数量：
由于全连接结构，参数数量较多，容易出现过拟合现象，训练难度相对较大。在训练过程中，需要较大的计算资源和较长的训练时间，并且对数据增强和正则化等技术的依赖较大，以防止过拟合。
5.应用场景：
在一些简单的分类、回归任务以及传统的数据挖掘领域有广泛应用，如信用风险评估、股票价格预测等。在这些场景中，数据结构相对简单，不需要对复杂的空间或时间特征进行处理。
6.应用案例
工业控制领域：如化工生产中的过程控制，神经网络通过学习大量生产数据，可实现对温度、压力、流量等参数的精准控制，提高生产效率和产品质量；在机械设备控制方面，可预测设备故障，提前进行维护.
金融领域：用于股票市场预测，通过分析历史股价、成交量等数据，预测股票价格走势；在风险管理中，评估投资组合的风险；还可进行信贷评估，依据客户的收入、信用记录等信息，判断其违约风险.
交通运输领域：交通流量控制上，可根据实时交通数据，预测交通流量变化，优化信号灯时长，缓解拥堵；在交通预测方面，预测未来一段时间内的交通流量、路况等信息，为交通规划和出行提供参考.
航空航天领域：帮助飞行器实现精准的姿态控制和飞行路径规划，提高飞行安全性和效率.
医疗健康领域：神经网络控制的医疗影像识别系统可辅助医生准确诊断疾病，如识别医学影像中的病变区域；还可用于药物研发，预测药物的活性、毒性等。
二.卷积神经网络：
卷积神经网络（CNN）是一种专门为处理具有网格结构数据（如图像、音频）而设计的深度学习模型。
1.网络结构：
在神经网络基础上引入卷积层、池化层等特殊结构。卷积层通过卷积核在输入数据上滑动进行卷积操作，提取局部特征，大大减少了模型参数数量，降低计算量和过拟合风险。池化层则对卷积层输出进行下采样，压缩数据规模，保留主要特征。
2.特征提取方式：
能够自动从原始数据中提取特征。卷积核在卷积操作中会自动学习到不同的局部特征模式，随着网络层数的增加，能够提取到从低级到高级的复杂特征，如在图像识别中，能自动提取边缘、纹理、形状等特征，无需人工手动设计特征。
3.数据处理能力：
特别擅长处理具有空间或时间结构的数据，如图像、视频、音频等。其卷积和池化操作能够很好地利用数据的局部相关性和空间结构信息，在处理这些类型的数据时能够取得更好的效果，例如在图像识别中能够准确地识别出各种物体和场景。
4.训练难度和参数数量：
通过卷积和池化操作减少了参数数量，降低了模型复杂度，训练难度相对较小，不容易过拟合。同时，由于其结构特点，更适合利用GPU等并行计算设备进行加速训练，能够在相对较短的时间内达到较好的训练效果。
5.应用场景
主要应用于计算机视觉领域，如图像分类、目标检测、图像分割等，也在自然语言处理、语音识别等领域有成功应用，如文本分类、语音情感识别等。
6.应用案例
图像识别与分类领域：在 ImageNet 图像分类挑战中，AlexNet、VGGNet、ResNet等基于CNN的模型取得优异成绩；能识别图像中的物体并定位，如在自动驾驶中识别道路标识、车辆、行人等，常用的目标检测框架有 R-CNN、Fast R-CNN、Faster R-CNN 和 YOLO 等；还可用于图像分割，如U-Net可将医学图像中的器官等进行分割.
人脸识别领域：通过训练CNN模型学习人脸特征表示，实现人脸识别、验证和检测等任务，广泛应用于安防监控、智能手机解锁等领域.
计算机视觉领域：姿态估计方面，可学习人体关键点来估计人体姿态，应用于运动分析等；图像生成上，可通过生成对抗网络生成逼真图像；还可进行风格迁移，将普通照片转换成艺术作品风格.
自然语言处理领域：可将文本表示为二维矩阵，用CNN进行特征提取和分类，应用于文本分类、情感分析等任务.
语音识别领域：学习语音特征，对语音信号进行分类和识别，如语音分类和语音转换.
其他领域：推荐系统中，可学习用户历史行为和偏好，推荐商品或服务；游戏领域可用于自动游戏玩法、内容生成等；机器人视觉中，帮助机器人理解周围环境，用于导航、避障等；医学影像分析方面，可用于疾病诊断、器官分割和三维重建等.
另外，卷积神经网络还有两个关键术语，那就是卷积和池化，这两个是卷积神经网络最重要的功能，在这里也给大家介绍一下：
卷积介绍：
卷积是一种数学运算，在卷积神经网络中，它通过卷积核在输入数据上滑动，对每个位置进行特定的计算，可以自动提取数据中的局部特征，不同的卷积核可以学习到不同类型的特征，如边缘、纹理等。通过多个卷积层的堆叠，可以提取到从低级到高级的复杂特征，同时由于卷积核共享权重，大大减少了模型的参数数量，降低了计算量和过拟合的风险。
池化介绍：
池化也叫下采样，是对卷积层输出的特征图进行压缩的操作，它通过聚合相邻区域的特征，减少数据量，同时保留主要特征。池化操作可以降低特征图的分辨率，减少数据量，从而降低模型的计算复杂度，同时在一定程度上还能起到防止过拟合的作用，因为它减少了数据的细节，突出了主要特征。此外，池化还具有一定的平移不变性，即对输入数据的微小平移不敏感，有助于提高模型的鲁棒性。
