深度学习的技术演进经历了从卷积神经网络（CNN）到循环神经网络（RNN）再到 Transformer 的重要发展。这三个架构分别擅长处理图像、序列数据和多种任务的特征，标志着深度学习在不同领域取得的进步。
1. 卷积神经网络（CNN）
基本原理
CNN 最早用于图像处理任务，利用卷积操作和池化层来提取图像的空间特征。CNN 中的核心是卷积核（或过滤器），它会在输入图像上滑动，以获得局部特征，再经过多个卷积层和池化层逐步抽取高层次的特征。CNN 利用权值共享和局部感知，适合处理固定大小的输入和空间不变性的任务。
Python 示例代码
以下代码使用 PyTorch 构建一个简单的 CNN 来处理手写数字数据集（MNIST）：
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms# CNN 模型定义
class SimpleCNN(nn.Module):def __init__(self):super(SimpleCNN, self).__init__()self.conv1 = nn.Conv2d(1, 32, kernel_size=3, padding=1)self.conv2 = nn.Conv2d(32, 64, kernel_size=3, padding=1)self.fc1 = nn.Linear(64 * 7 * 7, 128)self.fc2 = nn.Linear(128, 10)self.pool = nn.MaxPool2d(2, 2)def forward(self, x):x = self.pool(F.relu(self.conv1(x)))x = self.pool(F.relu(self.conv2(x
