用途
该技能覆盖神经网络架构的设计与实现，包括 CNN、RNN、Transformer 和 ResNet，使用 PyTorch 与 TensorFlow，重点在于架构选择、层组合与优化技术。
适用场景包括：
- 为图像分类或目标检测等计算机视觉任务设计自定义神经网络架构
- 构建用于时间序列预测、自然语言处理或视频分析的序列模型
- 实现基于 Transformer 的模型，用于语言理解或生成任务
- 创建结合 CNN、RNN 与注意力机制的混合架构
- 优化网络深度、宽度和跳跃连接，以改善训练与性能
- 选择合适的激活函数、归一化层与正则化技术
主要能力
核心架构类型：
- 前馈网络（MLP）：全连接层
- 卷积网络（CNN）：图像处理
- 循环网络（RNN、LSTM、GRU）：序列处理
- Transformer：基于自注意力的架构
- 混合模型：组合多种架构类型
网络设计原则：
- 深度与宽度：层数与单元数之间的权衡
- 跳跃连接：用于更深层训练的残差网络
- 归一化：批归一化、层归一化以提升稳定性
- 正则化：Dropout、L1/L2 防止过拟合
- 激活函数：ReLU、GELU、Swish 提供非线性
使用方式
提供 PyTorch 与 TensorFlow 的实现代码，包括：
- 前馈神经网络（MLP）：可配置隐藏层尺寸、批归一化、ReLU 与 Dropout
- 卷积神经网络（CNN）：多个卷积块，含批归一化、最大池化与全连接层
- LSTM 网络：多层 LSTM，含 dropout 与全连接输出层
- Transformer：包含多头自注意力、层归一化与前馈网络的 Transformer 块
- 残差网络（ResNet）：残差块含跳跃连接，适配不同通道数的快捷路径
- TensorFlow Keras 模型：顺序模型，含卷积、批归一化、全局平均池化与全连接层
- 模型对比：统计各模型参数量并生成可视化图表
架构选择指南
- MLP：表格数据、简单分类
- CNN：图像分类、目标检测
- LSTM/GRU：时间序列、序列数据
- Transformer：NLP、长距离依赖
- ResNet：极深网络、图像任务
关键设计考量
- 输入/输出形状兼容性
- CNN 的感受野大小
- RNN 的序列长度
- Transformer 的注意力头数量
- ResNet 的跳跃连接位置
交付物
- 网络架构定义
- 参数数量分析
- 逐层描述
- 数据流图
- 性能基准
- 部署要求
限制
资料未提供收费、价格、平台限制等信息。代码示例仅为架构定义，未包含训练、评估或数据集加载的完整流程。