深度学习模型综述与比较分析：CNN、RNN、LSTM、GRU
机器学习
2025-03-18 v4 人工智能
摘要
深度学习（DL）已成为机器学习（ML）和人工智能（AI）的一个强大分支，其性能优于传统 ML 方法，尤其是在处理非结构化和大规模数据集方面。其影响遍及语音识别、医疗健康、自动驾驶、网络安全、预测分析等诸多领域。然而，现实世界问题的复杂性和动态性给设计有效的深度学习模型带来了挑战。为此，人们开发了若干深度学习模型以应对不同的问题和应用。在本文中，我们对多种深度学习模型进行了全面综述，包括卷积神经网络（CNN）、循环神经网络（RNN）、时间卷积网络（TCN）、Transformer、Kolmogorov-Arnold 网络（KAN）、生成模型、深度强化学习（DRL）和深度迁移学习。我们考察了每种模型的结构、应用、优势与局限。此外，我们使用三个公开数据集：IMDB、ARAS 和 Fruit-360 进行分析。我们利用 IMDB 和 ARAS 数据集比较了六种著名深度学习模型——CNN、RNN、长短期记忆（LSTM）、双向 LSTM、门控循环单元（GRU）和双向 GRU——与两种较新模型 TCN 和 Transformer 的性能。另外，我们使用 Fruit-360 数据集评估了八种基于 CNN 的模型在图像分类任务上的性能，包括 VGG（Visual Geometry Group）、Inception、ResNet（Residual Network）、InceptionResNet、Xception（Extreme Inception）、MobileNet、DenseNet（Dense Convolutional Network）和 NASNet（Neural Architecture Search Network）。
引用
@article{arxiv.2305.17473,
title = {A Comprehensive Overview and Comparative Analysis on Deep Learning Models: CNN, RNN, LSTM, GRU},
author = {Farhad Mortezapour Shiri and Thinagaran Perumal and Norwati Mustapha and Raihani Mohamed},
journal= {arXiv preprint arXiv:2305.17473},
year = {2025}
}
备注
62 pages, 37 figures