我试图以某种方式将所有事情都放在脑海中，我对哪些网络最适合任务以及为什么感兴趣
我知道有些问题根本无法通过网络解决，但说出最终目标比抽象描述我想找到的网络更容易
假设任务是：
- 语音识别
- 传授音乐品味并寻找相似的歌曲
- 惯性系统的温度控制（在此过程中需要非常快速的学习，否则可能会过热或过冷）
- 图形识别（例如，光谱）
- 通过他的一张照片学习从相机中认出一个人
RError.com
有几种主要类型的神经网络可用于解决某些类型的问题。非常非常简短：
FFNN 前馈网络最简单，主要用于分析可以识别重复模式的数据。
RNN循环神经网络是一种不仅根据当前数据而且根据过去数据得出结论的网络。它用于需要考虑多个因素的影响的地方。
LSTM长短记忆网络是循环网络的一个亚种，但与常规循环网络不同的是，它可以长期记住数据，换句话说，理解上下文。
CNN卷积神经网络 - 使用过滤器和前馈网络处理数据的神经网络。
回答你的问题：
1 和 2- LSTM。与语音处理和文本分析相关的一切都需要上下文，默认情况下，一个句子是一个顺序排列的单词，这些单词在含义上相互关联。
3- FFNN。我不太了解本质，但如果逻辑是根据一组因素设置温度，那么直接传播网络最适合。
4 - FFNN或RNN，具体取决于图表的复杂性和“可预测性”。
5 -美国有线电视新闻网。与物体识别和照片或视频分析相关的一切都使用卷积神经网络。