传统神经网络和卷积神经网络的联系和区别

传统神经网络（Fully Connected Neural Network，FCNN）和卷积神经网络（Convolutional Neural Network，CNN）是深度学习中两种不同的神经网络结构。

联系：

1. 都是由神经元、权重、偏置等基本组件构成的；
2. 都可以进行前向传播和反向传播，进行参数学习；
3. 都可以用于分类、回归、图像处理等任务。

区别：

1. 结构不同：传统神经网络通常由若干个全连接层（Fully Connected Layers）组成，而卷积神经网络则是由若干个卷积层（Convolutional Layers）和池化层（Pooling Layers）交替组成；
2. 参数数量不同：传统神经网络的参数数量通常很大，因为全连接层中每个神经元都与上一层的所有神经元相连，而卷积神经网络的参数数量相对较少，因为卷积层中的权重被共享，可以大大减少参数数量；
3. 处理数据不同：传统神经网络可以处理任意形状的数据，但是对于图像等高维数据的处理效果相对较差，而卷积神经网络则特别适合处理图像、视频等高维数据；
4. 特征提取不同：传统神经网络在特征提取方面没有明确的结构，需要通过多层全连接层进行特征提取，而卷积神经网络则通过卷积层和池化层进行特征提取，具有更好的特征提取能力。

总之，传统神经网络与卷积神经网络在结构和参数数量、处理数据、特征提取等方面存在明显的不同，应根据具体任务的需求来选择合适的神经网络结构。