随着深度学习的快速发展，卷积神经网络（CNN）和循环神经网络（RNN）已经成为计算机视觉和序列建模中的两大核心模型。本文将简要介绍它们的基本原理、应用场景，并通过示例代码展示它们的基本使用方式。

一、卷积神经网络（CNN）

1. 原理简介

CNN 是专为图像处理设计的一类深度神经网络，它利用局部感受野、权值共享和池化操作，显著降低了参数数量，并提高了图像识别任务的效果。

核心组成部分包括：

• 卷积层（Convolutional Layer）：提取图像局部特征。

• 激活函数（如 ReLU）：引入非线性能力。

• 池化层（Pooling Layer）：降维和增强特征鲁棒性。

• 全连接层（Fully Connected Layer）：完成最终的分类或回归任务。

2. 典型应用

• 图像分类（如 MNIST、ImageNet）

• 目标检测（YOLO、Faster R-CNN）

• 图像分割（U-Net）

3. 示例代码（使用 PyTorch）

import torch
import torch.nn as nn
import torch.nn.functional as F

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(16 * 14 * 14, 10)  # 28x28 input, pooled to 14x14

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = x.view(-1, 16 * 14 * 14)
        x = self.fc1(x)
        return x

# 示例输入：一张 28x28 的灰度图
model = SimpleCNN()
dummy_input = torch.randn(1, 1, 28, 28)
output = model(dummy_input)
print("CNN输出：", output)

二、循环神经网络（RNN）

1. 原理简介

RNN 适合处理序列数据（如文本、时间序列）。它通过隐藏状态（hidden state）在时间步之间传递信息，使模型具有记忆前文的能力。

存在梯度消失问题的传统 RNN，已逐渐被以下改进结构取代：

• LSTM（长短期记忆网络）

• GRU（门控循环单元）

2. 典型应用

• 语言建模与文本生成

• 语音识别

• 时间序列预测

3. 示例代码（使用 PyTorch）

import torch
import torch.nn as nn

class SimpleRNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleRNN, self).__init__()
        self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.rnn(x)
        out = self.fc(out[:, -1, :])  # 只取最后一个时间步
        return out

# 假设序列长度为5，每个时间步输入为10维
model = SimpleRNN(input_size=10, hidden_size=20, output_size=1)
dummy_input = torch.randn(3, 5, 10)  # batch_size=3
output = model(dummy_input)
print("RNN输出：", output)

三、CNN 与 RNN 的对比总结

卷积神经网络（CNN）和循环神经网络（RNN）分别擅长处理不同类型的数据结构，模型结构对比如下图所示。