深度学习（二、全连接网络FNN）

深度学习特征提取的网络有如下几种： 1. 卷积神经网络（Convolutional Neural Network，CNN）：用于图像识别、物体检测等任务，通过卷积层、池化层等结构提取图像的特征。 2. 循环神经网络（Recurrent Neural Network，RNN）：用于自然语言处理、语音识别等任务，通过循环层结构捕捉序列数据中的时序信息。 3. 自编码器（Autoencoder，AE）：用于无监督学习、数据降维等任务，通过编码器和解码器结构将数据压缩成低维特征表示，并重构原始数据。 4. 前馈神经网络（Feedforward Neural Network，FNN）：用于分类、回归等任务，通过多层全连接层结构提取数据的高维特征。 5. 稀疏编码（Sparse Coding，SC）：用于图像、语音等信号处理任务，通过稀疏约束的线性编码提取数据的特征。 6. 生成对抗网络（Generative Adversarial Network，GAN）：用于生成数据、图像修复、图像增强等任务，通过生成器和判别器结构生成和优化数据的特征。