ANN（人工神经网络）和CNN（卷积神经网络）
1.构架：
ANN大部分使用权重和激活函数，人为的重建大脑神经网络的工作方式
ANN中的层是通过神经元托管的数据点行，神经元使用相同的神经网络；ANN使用权重来学习；神经元每次迭代后，权重都会发生变化，根据“成本函数”计算的准确度更改权重
CNN在图像上投射多层（数学层，整流线性单元层和全连接层）并使用过滤来分析图像输入；提供n维向量输出
2.输入处理
ANN输入仅在前向方向上处理，有时也被成为前馈神经网络；依赖于有效数据输入，不适合图像处理
CNN兼容图像作为输入，在图像上使用过滤器产生特征图
3.关于图像分类
对于 ANN，必须提供具体的数据点。例如，在我们试图区分狗和猫的模型中，必须明确提供鼻子的宽度和耳朵的长度作为数据点。
使用 CNN 时，这些空间特征是从图像输入中提取的。当需要提取数千个特征时，这使得 CNN 成为理想选择。CNN 不必测量每个单独的特征，而是自行收集这些特征。
使用 ANN，图像分类问题变得困难，因为需要将二维图像转换为一维向量。这以指数方式增加了可训练参数的数量。增加可训练参数需要存储和处理能力。
换句话说，它会很昂贵。与其前身相比，CNN 的主要优势在于它可以自动检测重要特征而无需任何人工监督。这就是为什么 CNN 会成为计算机视觉和图像分类问题的理想解决方案。
4.关于数据分类
ANN是解决数据相关问题的理想选择，前向算法很容易用于处理图像，文本和表格数据；
人工神经网络能够隐式检测因变量和自变量之间复杂的非线性关系。