深度学习是一种基于人工神经网络的机器学习技术，它通过构建多层神经网络模型，能够从大量数据中自动提取高层次特征，并完成诸如分类、回归等任务。以下是几种常见的深度学习模型：
卷积神经网络 (CNN)
卷积神经网络主要用于处理图像相关的任务，例如图像识别、目标检测等。其核心思想是利用卷积操作来自动抽取输入数据的空间层次特征。
卷积层：通过对局部区域进行加权求和并共享权重的方式减少计算量，同时保留空间信息。
池化层：用于降低维度，减少过拟合风险。
全连接层：将前面各层提取到的信息映射至最终输出结果上。
循环神经网络 (RNN)
循环神经网络适用于序列数据建模，比如自然语言文本、时间序列分析等领域。不同于传统前馈型结构，在每个时刻t接收当前状态st以及外部输入xt作为下一时段的状态转移依据；而标准形式下的单元内部还存在自反馈机制形成闭环路径使得历史上下文得以保存下来供后续决策参考之用。
但是普通的 RNN 存在长期依赖问题——即当训练样本之间间隔较大时难以捕捉关联规律。因此衍生出了LSTM(Long Short-Term Memory Networks卡门长短期记忆网路) 和 GRU(Gated Recurrent Unit门控递归单元)，它们引入特殊设计好的“门”组件有效缓解了这一缺陷。
生成对抗网络 (GAN)
由两个相互竞争的部分组成 - 判别器D(Discriminator) 和生成器G(Generator):
G尝试创造逼真的伪造样例试图欺骗判别者；
D则负责判断给定实例是否来自于真实分布还是合成版本.
两者交替优化直到达到纳什均衡点附近位置停止迭代过程。此时理论上可以得到高质量的人造产品如图片音频视频等等内容创作领域应用广泛。
)
