如下：
反向传播算法：通过计算输出误差，将误差反向传播到每个神经元，从而调整每个神经元的权重，优化神经网络的性能，同时也可以提取出一些特征。
卷积神经网络：在神经网络中引入卷积层，可以有效地提取出图像、语音等信号的空间或时间特征，从而实现更高精度的分类和识别。
循环神经网络：在神经网络中引入循环层，可以捕捉序列数据中的时序信息，从而提取出序列数据中的特征。
自编码器：通过将输入数据压缩到一个低维空间，并在解码器中将其重新还原，可以实现对数据的特征提取和降维。
这里的特征，可以理解成通过一定的计算公式将三维矩阵存储的图片转换为一定纬度可以方便计算的矩阵(最简单例子，一个向量)，其实，可以看做数据降维啦，图片那么大的分辨率，如果基于图片计算，太耗费计算量和存储量。
特征提取:图片>网络>一个向量
