Какие знаешь архитектуры нейронных сетей

CNN (Сверточные сети) – для обработки изображений. Пример архитектуры: ResNet, EfficientNet.

model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)),
    MaxPooling2D((2,2)),
    Flatten(),
    Dense(10, activation='softmax')
])

RNN/LSTM – для последовательностей (текст, временные ряды). Пример: BiLSTM.

model = Sequential([
    LSTM(64, return_sequences=True),
    Dropout(0.2),
    Dense(10, activation='softmax')
])

Transformer – для NLP (BERT, GPT) и CV (ViT). Основан на механизме внимания.

GAN (Generative Adversarial Networks) – для генерации данных (например, изображений). Состоит из генератора и дискриминатора.

Autoencoders – для сжатия и восстановления данных (например, denoising autoencoder).

GNN (Graph Neural Networks) – для работы с графами (социальные сети, рекомендации).

Key моменты:

• CNN – локальные паттерны (изображения).
• RNN – последовательности, но страдают от vanishing gradient.
• Transformer – параллельная обработка, масштабируемость.