BP神经网络与卷积神经网络综述 BP神经网络通过多层感知机结构解决了单层感知机的线性分类局限，其核心是误差反向传播算法。该算法通过正向传播计算输出，反向传播调整权值，但存在局部极小值、收敛慢等问题。卷积神经网络(CNN)通过局部连接和权值共享克服了全连接网络的参数爆炸问题，包含卷积层、池化层等组件。经典CNN模型如LeNet-5、AlexNet、VGG-16和ResNet不断改进网络结构，其中Re

卷积神经网络通过局部连接和权值共享两大核心创新，解决了全连接网络处理图像时的参数爆炸和空间信息丢失问题。梯度消失是训练深层神经网络的主要障碍，ReLU 激活函数、Xavier 初始化和动量法是解决这一问题的基础技术。LeNet-5 奠定了现代卷积神经网络的基本架构，后续的 AlexNet、VGG、ResNet 等经典模型都是在其基础上发展而来的。

诞生里程碑：2017 年 Google Brain 团队发表《Attention Is All You Need》，彻底颠覆了序列建模领域，首次提出完全基于注意力机制的网络架构，完全摒弃了传统的循环神经网络（RNN/LSTM/GRU）和卷积神经网络（CNN）。传统模型的痛点RNN/LSTM：时序依赖导致无法并行计算，训练速度慢；长距离依赖容易出现梯度消失问题CNN：只能捕捉局部特征，长距离依赖需要

大语言模型（Large Language Model, LLM）是一种基于海量文本数据训练的深度学习模型。它不仅仅能够生成自然语言文本，更重要的是能够深入理解文本的语义信息，从而完成多种自然语言处理任务，包括：文本摘要：从长文档中提取关键信息问答系统：根据上下文回答用户问题机器翻译：在不同语言之间进行转换代码生成：根据自然语言描述生成程序代码对话系统：与人类进行连贯的多轮对话典型代表文心一言（百度

大语言模型（Large Language Model, LLM）是一种基于海量文本数据训练的深度学习模型。它不仅仅能够生成自然语言文本，更重要的是能够深入理解文本的语义信息，从而完成多种自然语言处理任务，包括：文本摘要：从长文档中提取关键信息问答系统：根据上下文回答用户问题机器翻译：在不同语言之间进行转换代码生成：根据自然语言描述生成程序代码对话系统：与人类进行连贯的多轮对话典型代表文心一言（百度

卷积神经网络通过局部连接和权值共享两大核心创新，解决了全连接网络处理图像时的参数爆炸和空间信息丢失问题。梯度消失是训练深层神经网络的主要障碍，ReLU 激活函数、Xavier 初始化和动量法是解决这一问题的基础技术。LeNet-5 奠定了现代卷积神经网络的基本架构，后续的 AlexNet、VGG、ResNet 等经典模型都是在其基础上发展而来的。

BP神经网络与卷积神经网络综述 BP神经网络通过多层感知机结构解决了单层感知机的线性分类局限，其核心是误差反向传播算法。该算法通过正向传播计算输出，反向传播调整权值，但存在局部极小值、收敛慢等问题。卷积神经网络(CNN)通过局部连接和权值共享克服了全连接网络的参数爆炸问题，包含卷积层、池化层等组件。经典CNN模型如LeNet-5、AlexNet、VGG-16和ResNet不断改进网络结构，其中Re