深度学习常见算法包含卷积神经网络、循环神经网络和生成对抗网络。卷积神经网络(Convolutional Neural Networks, CNN)是一种深度结构的前馈神经网络，适用于处理结构化数据，具有深度结构，是深度学习的代表算法之一。循环神经网络(Recurrent Neural Network, RNN)是一种递归神经网络，以序列数据为输入，所有节点按链式连接，可以处理有序列的问题，如时间序列，具有“记忆”能力。生成对抗网络(GAN, Generative Adversarial Networks)是一种无监督学习算法，是深度学习模型，近年来十分热门。
深度神经网络模型包括卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。递归神经网络实际包含了循环神经网络和结构递归神经网络，后者通过递归形成更复杂的深度网络，适合处理有序列的问题，如时间序列。
深度学习是基于人工神经网络的机器学习方法族，包括有监督、半监督和无监督学习。深度学习架构如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，广泛应用于计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序等领域，其成果可媲美甚至超过人类专家。
深度学习算法分为前馈神经网络、循环网络和对称连接网络三类。前馈神经网络是实际应用中最常见的类型，包括深度神经网络，通过多层逐步提取特征；循环网络在连接图中具有定向循环，处理序列数据；对称连接网络类似循环网络，但单元之间连接是对称的，更易于分析。神经网络算法的内部网络结构区别在于，前馈神经网络在层与层之间是全连接的，循环神经网络允许神经元的输出在下一个时间戳直接作用于自身，对称连接网络的单元之间连接是对称的。
神经网络技术起源于上世纪五、六十年代的感知机，拥有输入层、输出层和一个隐含层，通过隐含层变换达到输出层进行分类。深度神经网络在监督学习中具有多层权重，但在缺乏足够标记样本时，简单的模型可能有更好结果。在非监督学习中，构造多层网络面临挑战，一个成功的算法需最大化顶层特征代表底层样例，同时避免过度或不足拟合。
本文如未解决您的问题请添加抖音号：51dongshi（抖音搜索懂视），直接咨询即可。
热心网友
回答时间：2025-01-14 12:20
