В deep learning используются несколько ключевых компонентов: - **Нейронные сети** – основа DL, включая архитектуры: - Полносвязные (Dense) - Сверточные (CNN) - Рекуррентные (RNN, LSTM) - Трансформеры - **Фреймворки** – библиотеки для реализации моделей: - TensorFlow/Keras - PyTorch - MXNet - **Оптимизаторы** – алгоритмы обучения: - SGD, Adam, RMSprop - **Функции активации** – нелинейности: - ReLU, Sigmoid, Tanh, Softmax - **Регуляризация** – предотвращение переобучения: - Dropout, BatchNorm, L1/L2 Пример CNN на PyTorch: ``` import torch.nn as nn class CNN(nn.Module): def __init__(self): super().__init__() self.layers = nn.Sequential( nn.Conv2d(3, 16, 3), # CNN слой nn.ReLU(), # Активация nn.MaxPool2d(2), # Пулинг nn.Flatten(), nn.Linear(16*14*14, 10) # Полносвязный слой ) ```