深度学习包含多种算法和模型，广泛应用于图像处理、自然语言处理、语音识别等领域。以下是主要分类及代表性算法：

---

一、基础神经网络

1. 多层感知机（MLP）
   • 最简单的深度学习模型，由多个全连接层组成，用于分类和回归任务。

---

二、卷积神经网络（CNN）

用于处理网格状数据（如图像、视频）：

1. 经典模型
   • LeNet：早期手写数字识别模型。
   • AlexNet：引入ReLU和Dropout，推动深度学习复兴。
   • VGGNet：通过堆叠小卷积核提升性能。
   • ResNet：残差连接解决深层网络梯度消失问题。
   • Inception：多尺度卷积并行处理（如GoogLeNet）。
2. 应用扩展
   • 目标检测：Faster R-CNN、YOLO、SSD。
   • 图像分割：U-Net、Mask R-CNN。

---

三、循环神经网络（RNN）

处理序列数据（如文本、时间序列）：

1. 基础RNN
   • 通过循环结构捕捉时序依赖，但存在梯度消失问题。
2. 改进变体
   • LSTM：门控机制缓解长程依赖问题。
   • GRU：简化版LSTM，计算效率更高。
   • Bi-RNN：双向处理序列（如Bi-LSTM）。
3. 应用模型
   • Seq2Seq：机器翻译（如编码器-解码器结构）。
   • Attention机制：提升长序列建模能力（如Transformer的基础）。

---

四、Transformer 模型

基于自注意力机制，替代RNN处理序列：

1. 核心架构
   • Multi-Head Attention：并行捕捉不同位置关系。
   • 位置编码：注入序列位置信息。
2. 衍生模型
   • BERT：双向预训练模型，适用于NLP任务。
   • GPT系列：自回归生成模型（如GPT-3、ChatGPT）。
   • ViT：将Transformer应用于图像分类。

---

五、生成模型

学习数据分布并生成新样本：

1. 生成对抗网络（GAN）
   • 生成器与判别器对抗训练，用于图像生成、风格迁移。
   • 变体：DCGAN、CycleGAN、StyleGAN。
2. 变分自编码器（VAE）
   • 通过概率编码-解码生成数据，支持隐空间插值。
3. 扩散模型（Diffusion Models）
   • 逐步去噪生成样本（如Stable Diffusion、DALL·E）。

---

六、无监督/自监督学习

1. 自编码器（Autoencoder）
   • 压缩与重建数据，用于降维或去噪。
2. 对比学习（Contrastive Learning）
   • 如SimCLR、MoCo，通过样本对比学习特征表示。

---

七、强化学习与深度强化学习（DRL）

1. 价值函数方法
   • DQN：结合Q-Learning与深度网络。
2. 策略梯度方法
   • REINFORCE、PPO：直接优化策略。
3. Actor-Critic
   • 结合价值函数与策略梯度（如A3C）。

---

八、图神经网络（GNN）

处理图结构数据（社交网络、分子结构）：

1. 经典模型
   • GCN：图卷积网络。
   • GAT：引入注意力机制。
   • GraphSAGE：归纳式学习节点特征。

---

九、其他高级模型

1. 元学习（Meta-Learning）
   • 学习如何快速适应新任务（如MAML）。
2. 神经架构搜索（NAS）
   • 自动设计网络结构（如EfficientNet）。

---

十、应用领域

• 计算机视觉：图像分类、目标检测、人脸识别。
• 自然语言处理：机器翻译、文本生成、情感分析。
• 语音处理：语音识别、合成。
• 推荐系统：个性化推荐。
• 科学计算：蛋白质结构预测（如AlphaFold）。

---

发展趋势

1. 大模型：参数规模持续增长（如GPT-4、PaLM）。
2. 多模态融合：同时处理文本、图像、语音（如CLIP）。
3. 轻量化：模型压缩与部署（如MobileNet、知识蒸馏）。